그래프 구조적 얽힘 해소를 위한 적응형 대조 학습 기반 경계 임베딩 형성 (Boundary Embedding Shaping)

그래프 신경망 (GNNs)은 분류를 위해 이웃 정보를 집계하는 데 탁월하지만, 의미론적으로 무관한 이웃으로부터 발생하는 가짜 상관관계 (spurious correlations)가 노드 임베딩을 오염시키는 그래프 구조적 얽힘 (graph structural entanglement) 문제로 인해 성능이 저해됩니다. 이러한 문제는 임베딩 공간 내 클래스 경계 근처의 노드에서 가장 심각하게 나타나며, 증폭된 구조적 노이즈가 결정 경계 (decision boundaries)를 흐리고 예측을 불안정하게 만듭니다. 기존의 강건한 (robust) GNN 방법들은 경계의 취약성을 무시한 채 대부분 모든 노드를 균일하게 취급합니다. 본 논문에서는 분류 성능을 향상시키기 위해, 경계 영역의 얽힘을 주요 병목 현상으로 식별하여 그래프 구조적 얽힘 해소 문제를 다루며, 최소한의 모델 파라미터 섭동 (perturbation)으로 결정 경계에서의 가짜 구조적 노이즈를 선택적으로 억제하는 적응형 대조 학습 (adaptive contrastive learning) GNN 플러그인 모듈인 경계 임베딩 형성 (Boundary Embedding Shaping, BES)을 제안합니다. 광범위한 실험을 통해 BES가 경계 판별력을 일관되게 개선하며 기존의 선도적인 방법들을 능가함을 입증했습니다. 특히, BES는 노드 분류에서 GCN의 성능을 평균 3.3% (WikiCS에서는 최대 5.0%) 향상시켰으며, 링크 예측 (link prediction)에서도 우수한 정확도를 달성했습니다.