SCGNN: Granular-ball Computing 기반의 의미 일관성 강화 그래프 신경망

노드 간 의미 일관성을 포착하는 것은 효과적인 그래프 표현 학습에 필수적입니다. 기존 접근법은 노드 수준에서의 $k$-가장 가까운 이웃 ($k$NN) 또는 다른 노드 수준의 전역 검색 알고리즘 (FSA) 을 통해 쌍별 유사성 계산을 통해 의미를 추출하며, 이는 높은 계산 복잡성과 경직된 이웃 선택으로 인해 확장성을 제한하고 잡음 연결을 유발합니다. 본 논문에서는 Granular-ball Computing (GBC) 를 활용하여 의미 일관성을 효율적으로 포착할 수 있는 새로운 플러그 앤 플레이 프레임워크인 Semantic Consistency enhanced Graph Neural Network (SCGNN) 을 제안합니다. 노드 수준의 FSA 방법과 달리, SCGNN 은 노드를 Granular ball 로 적응적으로 분할함으로써 그룹 수준의 의미 구조를 모델링하며 계산 비용을 크게 줄이고 잡음에 대한 견고성을 향상시킵니다. 발견된 그룹 수준의 의미 일관성을 효과적으로 활용하기 위해 우리는 이중 강화 전략을 설계했습니다. 구체적으로, (1) 구조 강화 모듈은 각 Granular ball 가 운반하는 그룹 수준의 의미를 나타내는 가상 노드인 Anchor 를 기반으로 Anchor 기반 그래프 구조를 구축하고 이를 그래프 구조에 주입하며, (2) 감독 강화 모듈은 GBC 예측과 모델 생성된 Pseudo-label 을 결합하여 Label Consistency Checking (LCC) 을 수행함으로써 더 신뢰할 수 있는 감독 신호를 생성합니다. SCGNN 은 다양한 GNN Backbone 과 호환됩니다. SCGNN 의 전파 과정에서 Vanilla graph 와 Augment graph 는 함께 인코딩되며 예측이 융합되고, 역전파 과정에서 감독 강화 모듈은 매개변수 업데이트를 안내하는 향상된 감독 신호를 제공합니다.