그래프 트랜스포머에서의 거리 불일치 학습과 적응형 그래프 인식 제어

그래프 트랜스포머(Graph Transformers) 는 전역적으로 정보를 혼합할 수 있지만, 이러한 유연성은 실패 모드를 생성하기도 합니다: 일부 작업은 장거리 통신이 필요하고 다른 작업은 지역적 상호작용에 의해 더 잘 지원됩니다. 우리는 이를 컨텍스추얼 스토캐스틱 블록 모델 그래프(contextual stochastic block model graphs) 에서의 합성 노드 분류 벤치마크(synthetic node-classification benchmark) 를 통해 연구합니다. 여기서 레이블은 제어 가능한 지역 신호(local signals) 와 먼 쉘(far-shell) 신호의 혼합에 의해 생성됩니다. 우리는 거리 불일치 학습(distance-misaligned training) 을 레이블과 관련된 정보가 있는 위치와 모델이 그래프 거리를 통해 통신을 할당하는 위치 사이의 불일치로 정의합니다. 이 벤치마크에서 우리는 세 가지 점을 발견했습니다. 첫째, 선호되는 그래프 거리 편향(preferred graph-distance bias) 은 작업의 지역성(task locality) 에 따라 체계적으로 변화합니다. 둘째, 오프라인으로 작업 측의 거리 목표(task-side distance target) 에 접근할 수 있는 오라클 적응형 컨트롤러(oracle adaptive controller) 는 거의 모든 영역에서 최상의 고정 편향(best fixed bias) 과 거의 일치하며, 혼합된 작업과 지역 작업에서 중립적 기준선(neutral baseline) 을 크게 개선합니다. 셋째, 작업 무관(zero-gap) 제어가 약하다는 것은 적응만으로는 부족하고 제어 목표가 중요함을 나타냅니다. 이러한 결과는 거리 분해 진단(distance-resolved diagnosis) 이 그래프 트랜스포머 실패를 이해하고 그래프 인식 제어(graph-aware control) 를 설계하는 데 유용함을 시사합니다.