GRAPHLCP: 그래프 상의 구조 인식 국소적 공형 예측

요약

GRAPHLCP는 그래프 구조의 위상적 특성과 노드 간 종속성을 명시적으로 통합하여 그래프 신경망 기반 공형 예측(Conformal Prediction, CP)을 수행하는 새로운 프레임워크입니다. 기존 방법들이 임베딩 공간 근접성에 의존하여 발생하는 신뢰성 문제를 해결하기 위해, 본 연구는 특징 인식 밀도화와 개인화된 PageRank 기반 커널 계산을 도입했습니다. 이를 통해 지역적 및 장거리 종속성을 모두 포착하는 위상 의존적 앵커 샘플링과 보정 가중치 부여가 가능하며, 다양한 데이터셋에서 우수한 조건부 커버리지를 달성함을 입증했습니다.

핵심 포인트

• GRAPHLCP는 그래프 구조의 위상 정보를 활용하여 공형 예측(CP)을 수행하는 프레임워크이다.
• 기존 CP 방법의 한계점인 임베딩 공간 근접성 의존성을 극복하고, 그래프의 실제 구조적 근접성을 모델링한다.
• 특징 인식 밀도화 단계와 개인화된 PageRank 기반 커널 계산을 도입하여 국소성과 장거리 종속성을 모두 포착한다.
• 위상 의존적 앵커 샘플링과 보정 가중치 부여를 통해 유한 표본에서 주변 및 조건부 커버리지를 효과적으로 보장한다.