Maximal Clique Complexes를 이용한 고차 그래프 학습의 확장성 개선

원문 발행 2026. 05. 29. 23:42원문 언어 영어AI 한국어 번역arXiv cs.AI 원문 보기

요약

본 논문은 고차 그래프 모델의 표현력을 유지하면서 확장성 문제를 해결하기 위한 새로운 프레임워크를 제안합니다. sCWL 및 fCWL 테스트를 통해 계산 효율성을 높이고, CliqueWalk를 도입하여 메모리 및 시간 복잡도를 획기적으로 줄였습니다.

핵심 포인트

sCWL 및 fCWL을 통한 셀룰러 Weisfeiler Leman 테스트 효율화
Maximal Clique Complexes를 이용한 확장 가능한 CWN 구현
CliqueWalk: 선형 확장성을 가진 편향된 랜덤 워크 제안
고차 그래프 표현을 위한 위상학적 학습 프레임워크 제공

그래프 신경망 (GNNs)은 쌍방향 상호작용 (pairwise interactions)을 모델링하는 데 국한되어 있는 반면, 셀 복합체 (cell complexes)에 기반한 고차 모델 (higher-order models)은 더 높은 표현력 (expressivity)을 달성하지만 종종 확장성 (scalability) 문제로 어려움을 겪습니다. 본 논문에서는 CWL 테스트의 표현력을 유지하면서 계산 효율성을 개선한 단순화 및 인수분해된 셀룰러 Weisfeiler Leman 테스트 (sCWL 및 fCWL)를 소개합니다. 나아가, 우리는 maximal clique complex를 도입하여 강력한 실증적 성능을 유지하면서도 시간 및 메모리 복잡도를 줄인 확장 가능한 CWN을 가능하게 합니다. 명시적인 클릭 (clique) 열거를 피하기 위해, 우리는 maximal cliques를 샘플링하며 그래프 크기에 따라 선형적으로 확장되는 편향된 랜덤 워크 (biased random walk)인 CliqueWalk를 제안합니다. 이러한 기여를 통해 고차 그래프 표현 (higher-order graph representation)을 위한 확장 가능한 위상학적 학습 (topological learning) 프레임워크를 제공합니다.

AI 자동 생성 콘텐츠

원문 바로가기

Maximal Clique Complexes를 이용한 고차 그래프 학습의 확장성 개선

요약

핵심 포인트

댓글