초록 ▼

□ 연구개요
현재 강력한 딥러닝 모델은 다양한 인공지능 시스템을 위해 연구, 개발되고 있다. 그 중 데이터를 그래프 형태로 바꾸어 분석하기 위한 그래프 인공 신경망이 있다. 본 연구는 그래프 인공 신경망을 다루는 방법 중에서 가장 널리 알려진 그래프 합성곱 신경망을 다룬다. 일반적인 유클리디안 공간과는 달리 그래프와 같은 비유클리디안 공간에서는 합성곱을 바로 적용할 수 없다. 또한, 기존의 그래프 신경망의 연구는 간선의 타입이 하나인 동종 그래프 분석에 국한되어 있다. 본 연구는 위와 같은 문제를 해결하고, 이종 그래프 분석이

□ 연구개요
현재 강력한 딥러닝 모델은 다양한 인공지능 시스템을 위해 연구, 개발되고 있다. 그 중 데이터를 그래프 형태로 바꾸어 분석하기 위한 그래프 인공 신경망이 있다. 본 연구는 그래프 인공 신경망을 다루는 방법 중에서 가장 널리 알려진 그래프 합성곱 신경망을 다룬다. 일반적인 유클리디안 공간과는 달리 그래프와 같은 비유클리디안 공간에서는 합성곱을 바로 적용할 수 없다. 또한, 기존의 그래프 신경망의 연구는 간선의 타입이 하나인 동종 그래프 분석에 국한되어 있다. 본 연구는 위와 같은 문제를 해결하고, 이종 그래프 분석이 가능한 새로운 딥러닝 모델을 연구한다.

□ 연구 목표대비 연구결과
본 연구는 합성곱 인공 신경망을 비유클리디안 공간으로 확장하고 이종 그래프 분석이 가능한 새로운 딥러닝 모델 개발을 목표로 한다. 계층적 특성을 갖는 그래프의 노드들은 비유클리디안 공간인 쌍곡 공간(hyperbolic space)에 효과적으로 임베딩 될 수 있다. 최근 쌍곡 공간에서 데이터를 다루기 위한 쌍곡 그래프 네트워크(Hyperbolic Graph Convolutional Neural Networks)가 개발되었다. 또한, 본 연구진은 이종 그래프 데이터를 처리하기 위해 다양한 종류의 간선들을 조합하여 원래는 연결되지 않은 유용한 간선인 메타패스를 생성하는 그래프 변형 네트워크(Graph Transformer Networks)을 제시하였다.

이 두 모델을 통합하여 보다 효과적인 그래프 분석 기법을 개발하였다. 쌍곡 그래프 변형 네트워크(Hyperbolic Graph Transformer Networks) 연구 결과, 노드 분류 태스크에서 기존 그래프 인공신경망에 비해 약 7%의 성능 향상을 보였다. 또한, HGTNs는 해석가능한 모델로, 태스크에 중요한 메타패스를 학습된 인접행렬의 중요도를 통해 보여줄 수 있고, 하이퍼파라미터의 튜닝없이 다양한 길이의 메타패스를 하나의 모델 안에서 자동 생성할 수 있다.

□ 연구개발결과의 중요성
본 연구진이 개발한 쌍곡 그래프 변형 네트워크는 그래프 전처리나 도메인 지식이 필요한 기존 그래프 인공신경망과 달리, 전처리 없이 그래프 구조를 자동으로 변형해 유용한 메타패스를 찾고, 효과적인 특성값 추출을 통해 보다 정확한 분석을 가능하게 한다. 이는 논문 인용 그래프 분석, 소셜 네트워크 분석, 신약 개발, 영화 추천, 음악 추천 등 다양한 응용에 적용될 수 있다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 1) 본 연구개발의 필요성 ... 4
• 2) 연구자가 수행하고자 했던 가설 및 최종 목표 ... 4
• 3) 연구 범위 ... 5
• 2. 연구수행내용 및 연구결과 ... 5
• 1) 그래프 데이터와 기존의 그래프 인공신경망 ... 5
• 2) Hyperbolic Graph Convolutional Networks (HGCN)[1] ... 6
• 3) Graph Transformer Networks (GTN)[2] ... 8
• 3. 연구개발결과의 중요성 ... 11
• 4. 참고문헌 ... 13
• 5. 연구성과 ... 14
• 대표적 연구실적 ... 16
• 끝페이지 ... 19