F²LP-AP: 적응형 커널을 활용한 빠르고 유연한 레이블 전파 기법

요약

본 논문은 그래프 머신러닝의 핵심 과제인 준지도 노드 분류(Semi-supervised node classification)를 위한 새로운 프레임워크, F²LP-AP를 제안합니다. 기존 GNN들은 높은 계산 비용과 강한 동종성(homophily) 가정에 의존하는 한계가 있습니다. 반면, 레이블 전파(Label Propagation) 같은 비학습 방식은 이질적 그래프 구조(heterophilous graph)에 적응성이 떨어집니다. F²LP-AP는 계산 효율적인 학습 없는(training-free) 방식으로, 기하 평균점(geodes

핵심 포인트

• F²LP-AP는 기존 GNN의 높은 계산 비용과 동종성 가정 의존 문제를 해결하는 학습 없는 (training-free) 프레임워크입니다.
• 본 방법은 로컬 클러스터링 계수(Local Clustering Coefficient, LCC)를 기반으로 전파 매개변수를 동적으로 조정하여 이질적 그래프 구조까지 효과적으로 모델링합니다.
• 다양한 벤치마크 데이터셋 실험 결과, F²LP-AP는 학습된 GNN과 경쟁하거나 그 이상의 정확도를 달성하면서도 계산 효율성 면에서 기존 베이스라인을 크게 능가합니다.