Negative Sampling Strategy for Self-Supervised Graph Embedding

최근 그래프기반 태스크에서 우수한 성능을 보이는 접근법은 대부분 지도학습기반의 그래프신경망으로 학습 시 라벨 정보는 필수적이다. 하지만 라벨링 작업은 매우 지루하고 많은 비용이 필요한 작업이다. 따라서 최근 라벨을 활용하지 않고 데이터 간의 관계 정보만을 활용해 지도학습 태스크를 수행할 수 있는 자기지도학습 방법에 대한 연구가 대두되고 있다. 그 중 Graphical Mutual Information은 그래프 데이터에 적용할 수 있는 자기지도학습 방법으로 각 노드를 특징지어 임베딩하기에 적절하다. 하지만 직접적 연결정보만을 활용하는 특성상 그래프의 전역적인 군집구조를 학습하는데 한계가 있다. 따라서 본 연구에서는 그래프 군집구조를 학습에 활용할 수 있는 마지널 노드 인디케이터 방법을 제안한다. 벤치마크 데이터셋에 대한 비교실험을 통해 기존 GMI 대비 성능이 개선될 수 있음을 검증하였다.