심층 신경망(DNN)이 엣지 디바이스에 점점 더 많이 배포됨에 따라, HW 인식 압축 및 HW 인식 신경망 구조 탐색(HW-NAS)과 같은 하드웨어(HW) 인식 최적화 기법이 필수적이 되었다. 이러한 방법들은 효율적인 배포를 위해 DNN 아키텍처를 조정하는 데 목표 하드웨어의 실제 피드백에 의존한다. 탐색은 병렬화할 수 있지만, 하드웨어-인-더-루프(HIL)를 통한 지연 시간 측정은 순차적 특성으로 인해 병목 지점으로 남아 있다. 최근 접근법들은 비용이 많이 드는 HIL 피드백을 대체하기 위해 지연 시간 예측기를 활용하지만, 두 가지 과제가 지속된다: (1) 플랫폼별 예측기는 종종 수만 개의 샘플을 필요로 하며, (2) 부정확한 예측이 NAS 과정을 잘못 인도할 수 있다. 이를 해결하기 위해, 우리는 신뢰도 지표로 보강된 그래프 어텐션 네트워크 기반의 고충실도·저비용 지연 시간 예측기인 HiFi-LLP를 소개한다. HiFi-LLP는 LatBench 데이터셋의 6개 디바이스에 걸쳐 10% 정확도 범위 기준에서 기존 플랫폼별 예측기 대비 최대 9 퍼센트 포인트(p.p.) 높은 성능을 달성하며, 스피어만 순위 상관계수 최대 0.996을 달성한다. 나아가 신뢰도가 낮은 예측을 HIL로 라우팅하는 하이브리드 NAS 프레임워크를 제안하여, 경쟁력 있는 파레토 프론트를 유지하면서 일반적인 NAS 대비 최대 8.6배의 속도 향상을 달성한다.
차량 및 항공우주 공학 등의 산업 설계 분야에서는 유체 역학 성능을 평가하기 위해 대규모 수치 시뮬레이션에 의존하는 경우가 많으며, 이는 막대한 계산 비용을 초래할 수 있다. 심층 신경망(deep neural network)은 시뮬레이션 효율성 향상에 가능성을 보여 왔으며, 특히 그래프 신경망(GNN)은 비정형 데이터에 대한 유연성 덕분에 높은 잠재력을 입증하고 있다. 그러나 GNN은 복잡한 기하학 구조와 대규모 메시(mesh)를 수반하는 작업에서 어려움에 직면한다. 본 논문에서는 이러한 과제를 해결하기 위해 다중 스케일 특징 강화 그래프 신경망(ME-GNN, Multi-scale Feature Enhanced Graph Neural Network)을 제안한다. ME-GNN은 2단계 메시지 패싱(message-passing) 메커니즘을 갖춘 그래프 신경망을 적용하여 상세한 로컬 특징을 효과적으로 포착한다. 또한 균일 격자 이산화(uniform grid discretization)를 결합한 Attention U-Net을 통합하여 세밀한 특징과 거친 특징 모두를 추출할 수 있다. 아울러 K-홉 샘플링(K-hop sampling)을 활용해 서브그래프를 구성함으로써 상세한 로컬 특징을 보존하면서 대규모 데이터셋에 대한 효율적인 학습을 지원한다. ME-GNN을 세 가지 벤치마크 데이터셋에서 평가한 결과, 최신 기술 수준(state-of-the-art)의 성능을 달성하였다: ShapeNet-Car에서 속도장(velocity field)에 대한 상대 L2 오차 0.0196, 표면 압력에 대한 상대 L2 오차 0.0556, AirfRANS에서 유동장(flow field)에 대한 정규화 평균 제곱 오차(NMSE) 0.0033, DrivAerNet에서 표면 압력에 대한 상대 L2 오차 0.1416을 기록하였다.
우리는 앵커 모델이 학습한 구조 독립적 특징 사전(prior)과 구조 조건부 GNN 임베딩을 정렬하는, 노드 예측을 위한 제약 이중 뷰 프레임워크를 제안한다. 기존의 그래프 신경망(GNN)은 특징 변환과 이웃 집계를 결합하여 위상 노이즈(topology noise)와 이질적 연결(heterophilous connections)에 취약하다. 이러한 의존성을 분리하기 위해, 본 프레임워크는 자기지도 재구성 목적 함수를 통해 본질적인 속성 특징을 포착하는 독립적인 앵커 네트워크를 활용한다. 나아가, 노드별 게이팅 메커니즘을 통해 전역 스펙트럴 스무딩(spectral smoothing)과 지역 공간적 판별(spatial discrimination) 사이에서 표현을 동적으로 라우팅하는 채널 분할 적응형 게이팅 GNN(CSAG-GNN)을 제안한다. 학습 중 상호 표현 드리프트(representation drift)를 방지하기 위해, 결합된 이중 수준 목적 함수를 해결하는 안정적인 순환 교번 최적화 전략을 제안한다. 동질적(homophilous) 및 이질적(heterophilous) 벤치마크 모두에서의 실험 결과는 경쟁 기준선 대비 균형 잡힌 성능 향상과 구조적 강건성을 보여준다.
그래프 파운데이션 모델(GFM)은 다양한 그래프 도메인에 걸쳐 전이 가능한 표현을 학습하는 유망한 패러다임으로 부상하고 있다. GFM의 최근 발전은 그래프 신경망(neural network)과 대규모 언어 모델(LLM) 기반 방법이라는 두 패러다임이 주도해 왔다. 그러나 이러한 방법들은 제한된 데이터로의 학습(training)과 텍스트 속성에 대한 과도한 의존 사이의 근본적인 딜레마에 직면하는 경우가 많다. 테이블형 파운데이션 모델(TFM)은 노드(node) 피처와 표현을 자연스럽게 테이블 형태로 구성할 수 있다는 점에서 잠재적인 대안을 제공한다. 그러나 TFM이 그래프의 구조적 정보를 효과적으로 포착할 수 있도록 하는 방법은 아직 충분히 탐구되지 않았다. 핵심 과제는 TFM의 그래프 구조 이해를 가능하게 하는 그래프-테이블 정렬 메커니즘을 학습하는 것이다. 이를 해결하기 위해 우리는 텍스트 불필요 그래프 파운데이션 모델을 위한 놀랍도록 단순하면서도 효과적인 그래프-테이블 정렬 프레임워크인 GTAlign을 제안한다. 구체적으로, 먼저 다양한 그래프를 통합된 잠재 공간에 매핑하여 도메인 불가지론적 그래프 표현을 포착하는 그래프 인코더를 사전학습(pre-training)한다. 그래프 위상과 테이블형 표현 공간 사이의 간극을 추가로 좁히기 위해, 그래프 커뮤니티에서 도출된 의사 레이블을 사용하여 퓨샷(few-shot) 예측 에피소드를 구성하는 커뮤니티 유도 연속 사전학습을 제안한다. 마지막으로 그래프 인코더를 미지의 타깃 도메인에 적응시키고 문맥 내 학습(ICL) 방식으로 추론(inference)을 수행한다. 5개의 벤치마크 데이터셋에 대한 광범위한 실험을 통해 GTAlign이 노드 및 그래프 분류(classification) 모두에서 최신 기준 모델(baseline)을 크게 능가함을 보여주며, 단순하고 효과적인 텍스트 불필요 GFM 모델임을 입증한다. 코드는 논문 게재 승인 후 공개될 예정이다.
Determining whether one finite group is isomorphic to a subgroup of another is a fundamental problem in computational group theory. In this work, we propose a Siamese Graph Neural Network (Siamese GNN) for subgroup prediction using Cayley graph representations of finite groups. Each input group is represented by its undirected Cayley graph and encoded by one branch of a Siamese GNN to produce a graph embedding. The resulting graph embeddings are combined with algebraic features derived directly from the input groups to construct a joint feature vector, which is processed by a fully connected classifier to predict subgroup relations between finite groups. By integrating graph-based structural representations with algebraic features, the proposed framework provides a unified approach for learning subgroup relations from finite groups. Experimental results demonstrate the effectiveness of the proposed architecture, achieving a test accuracy of 95.9% (47/49) on an independent test set and illustrating the potential of geometric deep learning for subgroup prediction.
Large language model (LLM) agents increasingly rely on external tools served by shared providers and accessed by heterogeneous downstream agents. Existing approaches improve tool use on the agent side through parameter updates, prompt refinement, or agent-side memory, making tool knowledge difficult to share and limited to behaviors observed in past tasks. We argue that reusable tool knowledge should instead be maintained by the tool provider. We introduce ToolAtlas, a graph-based framework that builds a persistent provider-side tool memory of tool capabilities, failure boundaries, and cross-tool compositions through execution-verified probing. At inference time, agents query the tool memory via adaptive graph traversal. Across two MCP-based benchmarks spanning eight services, ToolAtlas outperforms existing tool-side optimization and agent-side memory baselines by up to 21.61% in pass@1 and 18.61% in pass@4. The same tool memory also transfers across environment instances and agent frameworks without retraining or task-time exploration, yielding up to 24.16%/16.22% and 17.49%/14.27% relative gains in pass@1/pass@4, respectively. Ablation studies show that these gains arise from combining tool-centered memory organization with capability-guided execution probing. These results establish provider-side tool memory as an effective and reusable paradigm for tool servers. Our code is in: https://github.com/PuppyKnightUniversity/ToolAtlas.
Deep equilibrium models promise input-adaptive implicit computation: harder problems should demand more solver iterations, and the solved equilibrium should encode the result of genuine iterative inference. We report a cautionary study of a port-Hamiltonian DEQ with a learned initialization on two reasoning tasks -- ProofWriter entailment over frozen DeBERTa embeddings and a BFS-verified graph-reachability benchmark -- in which the implicit computation is a silent no-op. Across tasks, seeds, and controlled ablation arms, the solved equilibrium equals the solver's start point to numerical precision, and bypassing the solver entirely changes test accuracy by +0.00 percentage points in 18 of 19 training runs. Controlled interventions falsify the tempting explanation: removing the anchoring term reproduces every result, and retraining with noise-decoupled starts yields a solver that converges to the noisy start while the decoder learns to ignore it. The single escaping run diverges instead ($\|h^{*}-z_0\|=171$), producing a co-adapted noise channel whose removal improves accuracy. Iteration counts are uncorrelated with ground-truth difficulty ($r=0.009$), and the full apparatus never outperforms a two-layer MLP on either task. We trace the mechanism to gradient starvation along two distinct routes, show that the standard zeroing ablation is confounded and gives wildly seed-dependent answers where the correct substitution test gives a stable zero, and distill a four-test diagnostic protocol for auditing claimed implicit computation. All experiments run on a single free Colab GPU; code, raw logs, and analysis scripts are released.
Dynamic graph continual learning (DGCL) is an effective manner for handling catastrophic forgetting in dynamic graphs. However, existing DGCL methods underutilize temporal information across graph snapshots. To address this critical issue, we propose a novel framework for Dynamic Graph Continual Learning via Condensation and Attachment (CA-DGCL). Specifically, CA-DGCL first condenses historical graph snapshots into compact semantic representations efficiently. Further, a cross-timestamp node chains is built to construct a third-order tensor and Tucker decomposition is applied to this tensor for obtaining stable node features, which encapsulate historical knowledge. Finally, these node features are used to generate new nodes and attached to the current graph for replaying of past information without compromising the new patterns. In addtion, a refined forgetting measure is introduced to make it more suitable for dynamic graph settings. Extensive experiments demonstrate that CA-DGCL outperforms baselines in forgetting suppression as well as maintain competitive accuracy, proving its efficacy for dynamic graph continual learning.
Graph fraud detection plays a pivotal role in safeguarding the security and integrity of modern digital ecosystems. Graph Neural Networks (GNNs) are commonly adopted for graph fraud detection. However, the practical performance of existing GNN-based detectors is severely hindered by incomplete node attributes and extreme class imbalance within graphs. To mitigate these limitations, this paper proposes a novel framework for Graph Fraud Detection with Grouped attribute completion and Confidence-aware Contrastive learning, named GFD-GC. Specifically, it first imitates heterogeneous neighborhood structures to implement group-wise aggregation, which obtains informative complete node features by capturing fine-grained graph contextual patterns. Further, it introduces a confidence-aware supervised contrastive learning strategy to augment scarce labeled fraud nodes with high confidence pseudo-fraud nodes, which enhances the compactness of fraud representations and their separability from non-fraud nodes. Extensive experiments demonstrate the superiority of the proposed GFD-GC over state-of-the-art baselines on the graph fraud detection task, thereby providing an effective solution for real-world fraud scenarios.
Indoor spatial understanding remains a fundamental challenge for intelligent systems operating in physical environments. Traditional RFID localization techniques typically estimate positions of tags using signal strength measurements but fail to capture higher-order spatial relationships between objects and infrastructure. Recent work on RFID and wireless indoor localization has increasingly emphasized robust learning under noisy propagation, while recent graph-based localization methods demonstrate the value of relational modeling over isolated samples. This paper introduces a graph-based learning framework that leverages Graph Neural Networks (GNNs) to infer spatial geometry from RFID observations. Rather than predicting isolated coordinates, the proposed system models relationships between RFID readings, antennas, and physical structures within an indoor floorplan. This framing is aligned with recent graph-based indoor positioning and graph construction literature, where topology is a first-class source of information for downstream inference. The approach integrates signal strength data, floorplan semantics, and spatial constraints into a graph representation where nodes correspond to RFID observations and edges encode proximity and contextual relationships. A GNN is then trained to predict geometric patterns such as linear trajectories, rectangular bounding regions, and movement paths of objects in space.
Graph neural networks (GNNs) are increasingly deployed in real-world applications where distribution shift is un-avoidable. However, how such shifts affect model calibration, defined as the agreement between predictive confidence and actual accuracy, remains poorly understood, and existing graph calibration methods typically rely on labeled validation data from the deployment distribution. In this work, I present the first closed-form theoretical characterization of GNN calibration under distribution shift. I show that calibration is governed by a single scalar quantity that explicitly depends on structural changes between the source and target graphs, as well as feature quality. This characterization precisely identifies when a model becomes over-confident, under-confident, or remains calibrated, and directly yields the optimal temperature scaling strategy. I further extend the analysis to graph convolutional networks with symmetric normalization, multi-class classification, and covariate shift, and derive a theoretical upper bound on the expected calibration error. My analysis also reveals that, under homogeneous distribution shift, a single global temperature is theoretically optimal, providing a principled explanation for why more complex node-wise recalibration methods offer no additional benefit. Building on these theoretical insights, I propose STAC, a source-free, label-free calibration method. Experiments on synthetic benchmarks demonstrate substantial calibration improvements, while evaluations on five real-world graph datasets show that reliable calibration without target labels remains challenging despite the strong predictive power of the theory.
셀프 어텐션(self-attention)은 현대 시퀀스 모델에서 널리 쓰이는 기본 연산이지만, 연산자 수준의 기하학적 특성은 아직 부분적으로만 이해되고 있다. 본 연구에서는 토큰 시퀀스를 토큰-위치 그래프 위의 벡터 필드로 보고, 어텐션을 연결 워크(connection walk)로 해석한다. 즉, 메시지는 비음수 워크 행렬에 의해 집계되는 동시에 각 에지를 따라 학습된 선형 맵으로 전달된다. 이 프레임워크 내에서, 단일 헤드 어텐션(SHA)이 정확히 일정한 전달(transport)을 가진 연결 전파(connection propagation) 단계임을, 그리고 다중 헤드 어텐션(MHA)이 정확히 단일 에지 의존적 연결 워크이며 그 유효 전달이 헤드별 전달의 어텐션 가중 혼합임을 증명한다. 또한 대응하는 생성자(generator)가 랜덤 워크 연결 라플라시안(random-walk connection Laplacian)으로 축소되는 조건을 명확히 하고, 확률성, 가역성, 계량 호환 전달의 역할을 강조한다. 실험적으로, 다양한 규모(124M에서 8B까지) 및 구조(인코더/디코더)에 걸쳐 학습된 트랜스포머들이 우리 이론과 일관된 기하학적 구조를 보임을 확인한다. 구체적으로, 유효 어텐션 그래프는 더 깊은 층에서 안정적인 기하학적 연산자로 수렴하고, 학습된 전달은 근사 스케일된 등거리 변환(scaled isometry)으로 자기 조직화되며, 두 현상 모두 규모가 커질수록 일관되게 강화된다. 전반적으로, 본 논문은 셀프 어텐션을 고전적 기하학적 연산자와 연결하는 정밀한 연결 워크 형식화를 제공하고, 기하학적 관점에서 트랜스포머 모델을 분석하기 위한 연산자 수준 도구들을 제시한다.
자금세탁은 금융 안정성을 위협하고 기관을 제재 위험에 노출시키므로, 자동화된 탐지에 대한 동기를 제공한다. 세탁 수법은 관계적 패턴을 통해 나타나는 경우가 많기 때문에, 그래프 신경망(GNN)이 자금세탁방지(AML)에 점점 더 많이 활용되고 있다. 그러나 AML GNN은 일반적으로 전체 F1 점수와 같은 집계 지표로 평가되며, 이는 운영상의 문제를 숨긴다: 고활동 수신 계좌에는 많은 수신 거래가 집중되어 의심스러운 신호를 격리하기 어렵고 조사 비용도 더 높아진다. 우리는 수신자 차수 계층화 평가(recipient-degree stratified evaluation)를 도입하여 수신자 컨텍스트 밀도에 따른 표준 AML 지표를 보고한다. 세 가지 데이터셋(HI-Small, HI-Medium, AMLSim-32k-5%)에 걸쳐, 이 평가는 밀집 수신자 컨텍스트에서의 일관된 성능 저하를 드러내며, 이를 세 가지 GNN 특성으로 추적한다: AML이 증폭시키는 두 가지 알려진 한계, 즉 (1) 멀티셋 비식별성(multiset non-discriminability)과 (2) 카디널리티 맹목성(cardinality blindness), 그리고 (3) 어텐션 특화 효과: 밀집 이웃에서 정규화된 어텐션이 약하지만 패턴과 관련된 다중 홉 신호를 약화시킨다. 이 진단을 바탕으로, 우리는 각 메시지 전달 층에서 차수 인식 통계 집계와 어텐션을 융합하는 경량 통계 인식 아키텍처인 SALT-GNN을 제안한다. 이를 통해 분포 및 카디널리티 정보가 후속 어텐션 단계에서 사용되는 노드 상태를 형성한다. 절제 실험은 밀집 컨텍스트 성능에서 융합 위치가 핵심 요인임을 지지한다. HI-Small 및 HI-Medium에서 SALT-GNN은 태스크 특화 그래프-트랜스포머 기준 모델 대비 최대 77% 적은 파라미터를 사용하면서 밀집 컨텍스트 F1 점수를 3-6점 향상시키고, AMLSim-32k-5%에서는 최고 차수 F1 점수를 16-20점 향상시킨다. 이 성능 향상은 트랜스포머 및 GAT 방식 어텐션 모두에서 유지되어, 그 이점이 특정 어텐션 연산자가 아닌 통계적 증거와 어텐션 증거가 융합되는 위치에서 비롯됨을 나타낸다.
대규모 언어 모델(LLM)이 안내하는 진화적 프로그램 탐색은 자동화된 과학적 발견을 위한 강력한 패러다임으로 부상했습니다. 그러나 현재의 접근 방식은 근본적으로 세 가지 병목 현상에 의해 제약받습니다: 구조적으로 맹목적인 부모 선택, 희소한 전체 프로그램 평가 보상, 그리고 탐색 중 적응하지 못하는 정적 변이 연산자입니다. 우리는 긴밀하게 결합된 3-기둥 아키텍처를 통해 이러한 한계를 해결하는 프레임워크인 GAE(Graph-Augmented Evolution)를 제시합니다. 첫째, 관계형 그래프 신경망(GNN)이 프로그램을 타입화된 계산 그래프로 파싱하여 구조 인식 임베딩을 생성합니다. 둘째, 강화학습(RL)으로 최적화된 메타-컨트롤러가 이러한 임베딩을 활용하여 맹목적인 진화적 샘플링을 방향성 있는 정책으로 대체하고, 보상 이력에 기반하여 최적의 부모와 변이 방향을 동적으로 선택합니다. 셋째, 온라인 GRPO 미세조정 루프가 그룹 정규화된 평가 보상을 사용하여 테스트 시간에 LLM 변이 연산자를 지속적으로 업데이트하며, 모델의 생성 분포를 고적합도 구조적 편집에 직접 정렬합니다. 우리는 GAE를 복잡한 비선형 진동자 시스템에 대한 기호 회귀(symbolic regression)라는 도전적인 과학적 발견 과제에서 평가합니다. 확률적 탐색을 방향성 있는 자기 개선 궤적으로 변환함으로써, GAE는 폐쇄형 물리 방정식을 효율적으로 발견하고, 정적 LLM 기반 기준선과 일관되게 동등하거나 더 나은 성능을 보이며, 분포 외(out-of-distribution) 성능에서 최첨단 결과를 달성합니다.
그래프 머신러닝은 복잡한 네트워크를 이해하고 의미 있는 노드(node) 표현을 학습하기 위한 강력한 도구를 제공한다. 그러나 핵심 과제는 최단 경로 길이와 같은 지역적·전역적 함수(functional)의 왜곡을 최소화하는 임베딩을 설계하는 것이다. 기존의 거리 보존 임베딩에 대한 왜곡 보장은 최악의 경우(worst-case)를 기준으로 하여, 전형적인 대규모 네트워크의 구조를 포착하지 못하는 지나치게 비관적인 경계를 도출한다. 이를 해결하기 위해, 우리는 유형 의존적 에지 확률을 갖는 일반 모델인 비균질 랜덤 그래프에서 랜드마크(landmark) 기반 임베딩을 통한 최단 경로 근사를 분석한다. 랜드마크라 불리는 소수의 참조 노드까지의 최단 경로를 보존함으로써, 랜드마크 기반 방법은 사실상 가상 그래프 스패너(virtual graph spanner)로 기능하며, 다중 유형 분기 과정(multi-type branching process)으로 모델링된 구조적 이질성과 제어된 이웃 확장이 고전적 최악의 경우 경계보다 훨씬 엄밀한 차원-왜곡 트레이드오프를 가능하게 한다. 우리는 이러한 보장을 전역적·컴포넌트 전체 평균으로 확장하고, 새로운 메트릭 샌드위칭 프레임워크(metric sandwiching framework)를 통해 유한 유형 및 연속 잠재 공간에 걸쳐 분석을 통합함으로써, 중꼬리(heavy-tailed) 및 멱법칙(power-law) 네트워크를 포함한 일반적인 $L^2$ 커널(kernel) 모델(model)에 대한 보편적 왜곡 경계를 확립한다. 마지막으로, 경직되고 계산 비용이 높은 정확한 최단 경로 질의를 유연하고 구조 인식적인 신경 대리 모델(neural surrogate)로 대체하는 GNN 증강 변형을 소개한다. 그래프 신경 메시지 패싱(graph neural message-passing)과 최단 경로 알고리즘의 동적 프로그래밍 원리 간의 내재적 정렬을 활용하여, 우리의 접근 방식은 소규모 랜덤 그래프에서 학습된 모델이 보편적인 거리 보존 특징을 추출하는 방법을 습득하여, 고전적인 정확한 랜드마크 기반 임베딩의 충실도에 필적하거나 이를 초과하는 대규모 실세계 네트워크로의 강건한 일반화를 달성함을 보여준다.
거대고리 펩타이드(macrocyclic peptide)는 점점 중요해지는 치료 방식이지만, 그 구조와 특성을 모델링하는 기존 계산 방법들은 적용 범위가 제한적이며 합성 가능한 화학 공간 전반에 걸쳐 일반화 성능이 부족하다. 본 연구에서는 거대고리 설계의 두 가지 핵심 과제, 즉 임의의 화학 구조에서 생물학적으로 관련된 형태(conformation)를 샘플링하는 것과 막 투과성(membrane permeability)과 같은 주요 개발 가능성(developability) 특성을 예측하는 것을 해결하는 심층 학습 모델인 Vilya-1을 소개한다. Vilya-1은 균일한 전원자(all-atom) 표현을 기반으로 작동하며, 다양한 토폴로지와 화학적 분류를 아우르는 이종 구조 데이터셋으로 학습된다. 정준(canonical) 및 비정준(non-canonical) 잔기로 구성된 광범위한 거대고리 집합에서 Vilya-1은 물리 기반 방법, 공동 폴딩 네트워크(co-folding network), 심층 학습 기반 형태 생성기에 비해 기하학적 정확도를 크게 향상시키며, 소분자까지 확장되는 넓은 화학적 커버리지를 유지한다. Vilya-1은 생성적 응용도 지원하여, 맞춤형 화학적·구조적·특성 프로파일을 갖춘 새로운 거대고리의 설계를 가능하게 한다. 이러한 기능들을 종합하면, Vilya-1은 차세대 거대고리 치료제 개발을 가속화하기 위한 파운데이션 모델로서의 위상을 확립한다.
우리는 동적 금융 거래 그래프에서의 사기 선별을 위한 탐색적 벤치마크 및 양자 영감 모델링 프로토타입을 제시한다. 조직적 사기는 개별 거래만으로는 가시화되지 않을 수 있으나, 다중 기간 관계 패턴으로서 나타날 수 있다. 우리는 희소 링 사기(sparse-ring fraud)에 초점을 맞추는데, 이는 완성된 유향 사이클이 여러 날에 걸쳐 분산되는 양식화된 패턴으로, 모델이 시간과 그래프 구조 모두에 걸쳐 증거를 통합할 것을 요구한다. 우리는 완성된 희소 링 주입과 깨진 링 미끼를 포함한 합성 거래 시뮬레이터를 사용하여 이 문제를 연구한다. 일별 유향 거래 그래프는 롤링 윈도우로 집계되고, 원시 그래프 특징, 지속적 호몰로지(persistent homology) 요약, 또는 두 가지를 결합한 하이브리드 특징 벡터로 표현된다. 우리는 게이트 순환 유닛(GRU) 기준선과 양자 영감 문맥적 기계학습(Contextual Machine Learning, CML)을 시퀀스 수준 분류기로 비교한다. 벤치마크가 합성 데이터, 적은 샘플 크기, 시퀀스 수준 레이블을 사용하므로 결과는 탐색적이다. 이 범위 내에서, 위상 전용 요약은 지도 학습 기반 링 완성 과제를 단독으로 해결하기에 지나치게 압축되어 있는데, 주된 이유는 계정 쌍 식별자와 엣지 방향을 제거하기 때문이다. 가장 강력한 결과는 식별자 보존 그래프 특징과 위상적 요약을 결합한 하이브리드 표현에서 나온다. 이러한 발견은 위상이 동적 그래프 특징 위의 문맥적 층으로 가장 유용하며, CML이 시간적·관계적 문맥에 걸쳐 증거가 분산된 사기 패턴에 대한 유망한 후보 모델임을 시사한다.
그래프 신경망(GNN)은 그래프 구조 데이터를 모델링하는 고유한 능력으로 인해 지식 그래프(KG) 분야에서 강력한 패러다임으로 부상하였다. 그러나 지식 그래프 기술 파이프라인 전반에 걸친 GNN 기반 방법론에 대한 체계적인 리뷰는 아직 부족한 실정이다. 이러한 공백을 해소하기 위해, 본 논문에서는 GNN 기반 지식 그래프 기술에 대한 새로운 2단계 분류 체계를 제안한다: KG 기술 파이프라인 관점과 GNN 기반 관점이 그것이다. 구체적으로, 지식 그래프 기술 파이프라인은 지식 그래프 구축, 지식 그래프 임베딩, 지식 추론, 지식 그래프 응용을 포함한다. 한편, GNN 기반 관점은 GCN, GAT, HGNN 등의 GNN 모델을 활용하여 지식 그래프 기술을 새롭게 범주화한다. 이어서 지식 그래프 생애주기 내 다양한 태스크의 특성에 기반하여 GNN 기술의 이점을 분석한다. 나아가 제안된 분류 체계에 따라 지식 그래프를 위한 다양한 GNN 기반 모델을 상세히 검토하고, 각각의 강점과 한계를 정리한다. 마지막으로, 아직 해결되지 않은 과제들을 논의하고 향후 연구를 위한 유망한 방향을 제시한다.
매력적인 퍼즐 게임 설계를 위해 플레이어 경험을 정확하게 모델링하고 이해하는 것은 매우 중요합니다. 이를 위해 일반적으로 다양한 사용자 데이터를 수집하여 플레이어 행동을 모방하는 예측적 플레이테스팅 모델을 학습시킵니다. 그러나 기존의 데이터 기반 방법들은 플레이어 전략의 전체 범위를 포착하는 능력이 부족한 경우가 많으며, 광범위한 특징(feature) 엔지니어링과 네트워크 아키텍처 모델링을 필요로 합니다. 이 한계는 새로운 게임 메커닉이나 특징이 도입될 때 특히 두드러지며, 이 경우 모델을 지속적으로 조정해야 합니다. 이러한 과제를 해결하기 위해, 우리는 지속적인 특징 엔지니어링 유지보수의 필요성을 줄이거나 심지어 제거하는 보다 일반화된 표현 방식을 제안합니다. 구체적으로, 우리는 두 가지 범용 네트워크 아키텍처를 조사합니다: (a) 트랜스포머 기반 모델(BERT)과 (b) 그래프 어텐션(attention) 모델(GAT)로, 두 아키텍처 모두 Candy Crush Saga(CCS) 게임 보드의 관계 구조를 효과적으로 포착하도록 설계되었습니다. 우리의 실험은 이 접근법들을 합성곱 신경망(CNN) 베이스라인과 비교하여, 난이도 높은 보드 구성에서 더 나은 성능을 보임을 밝히고 일반화 가능한 표현 방식의 이점을 부각합니다.
관계형 사기 탐지(relational fraud detection)는 레이블 없는 그래프 컨텍스트와 레이블 기반 이웃 증거를 모두 활용할 수 있으나, 이 두 정보 소스는 서로 다른 유효성 조건을 따른다. 특히, 쿼리된 노드 자체의 레이블이나 검증 또는 테스트 레이블이 이웃 위험(neighborhood risk) 계산에 포함될 경우 해당 이웃 위험은 무효가 된다. 우리는 이 문제를 출처 제약 관계형 증거 사용(provenance-constrained relational evidence use)으로 정식화하고, 두 개의 고정 전문가 모듈과 유한 검증 게이트로 구성된 감사 가능한 의사결정 프레임워크인 PREF-Gate를 제안한다. 컨텍스트 전문가(context expert)는 레이블 없이 속성, 1-hop 평균, 특징 잔차(feature residuals), 차수 디스크립터(degree descriptors)를 사용한다. 증거 전문가(evidence expert)는 자기 제외 방식의 학습 레이블 전용 이웃 위험과, 지지도·불확실성·가용성·수축(shrinkage)을 노출하는 경험적 베이즈(empirical-Bayes) 요약을 추가로 활용한다. 테스트 추론 전에 게이트는 두 전문가 중 하나 또는 세 가지 사전 지정 확률 혼합 중 하나를 선택하고 결정 임계값을 고정한다. Amazon, YelpChi, TFinance에서 5개의 동일한 층화 분할(stratified splits)과 14개의 동일 프로토콜 방법을 사용하여 PREF-Gate는 평균 AUPRC 값으로 각각 0.9085, 0.8104, 0.8913을 달성한다. 모든 Amazon 및 YelpChi 분할에서는 레이블 없는 전문가를, 모든 TFinance 분할에서는 증거 혼합을 선택한다. 따라서 주요 결과는 보편적이지 않고 조건부적이다: 레이블 기반 관계형 증거는 보류된 검증 데이터가 이를 지지하는 경우에만 유용하다. 이 프레임워크는 경쟁력 있는 순위 성능과 함께 명시적인 레이블 출처 계약(label-provenance contract), 유한 선택 정책, 실패 처리, 검토 예산 평가를 결합하여, 그래프 사기 탐지를 위한 감사 가능한 지식 기반 의사결정 파이프라인을 제공한다.