PyTorchKR Papers

최신 논문

총 3,895편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.19251v1physics.comp-ph

그래프 신경망을 이용한 대수적 다중격자 압력 솔버의 가속

Acceleration of an algebraic multigrid pressure solver using graph neural networks

압력-푸아송 방정식을 푸는 문제는 전통적인 선형 솔버가 메쉬 불규칙성에 본질적으로 민감하기 때문에 비압축성 비정렬 유동 솔버에서 주된 계산 병목 현상으로 남아 있습니다. 본 연구는 수정된 그래프 컨볼루션 동형 네트워크(GCIN)를 사용하는 데이터 기반 대수적 다중격자(AMG) 스무더를 소개합니다. 그래프 신경망은 다양한 격자 위상에 걸쳐 희소 유사 역 연산자를 구성하기 위한 최적의 다항식 계수를 예측합니다. 해당 계수는 각 V-사이클 반복 후 잔차를 줄이도록 최적화됩니다. 희소 계수 행렬에서 시스템의 대수적 구조를 직접 포착함으로써, 제안된 방법은 비정렬 격자의 국소 이방성에 적응하면서도 솔버의 선형성을 유지합니다. 우리의 프레임워크는 주어진 허용 오차를 만족하는 데 필요한 V-사이클 횟수를 줄이고 다양한 벤치마크에서 4%에서 37%에 달하는 실제 시간 단축을 달성하여 상당한 성능 향상을 입증합니다. 특히, 이 모델은 학습에 사용된 것보다 최대 128배 더 큰 메쉬에서도 효율성을 유지하고, AirfRANS 데이터셋과 같은 새로운 산업 관련 문제에서 솔버의 수렴을 가속화하여 강건한 일반화 능력을 보여줍니다.

arXiv:2606.19185v1cs.LG

AGDN: 이방성 그래프 확산 네트워크를 통한 외판원 문제(TSP) 해결 학습

AGDN: Learning to Solve Traveling Salesman Problem with Anisotropic Graph Diffusion Network

외판원 문제(TSP)는 조합 최적화의 핵심이며 다양한 실제 시나리오에서 발생합니다. TSP를 위해 그래프 기반 학습 접근 방식이 탐색되었지만, 그래프 구조를 더 효과적으로 활용하는 방법에 대한 문제는 여전히 열려 있습니다. 우리는 TSP를 해결하도록 설계된 새로운 그래프 신경망(GNN) 프레임워크인 이방성 그래프 확산 네트워크(AGDN)를 제시합니다. 우리의 방법은 두 가지 핵심적인 어려움을 해결합니다: (1) 완전 연결 TSP 그래프에서 유익한 위상학적 사전 정보(prior)의 부족, (2) 일반적으로 사용되는 그래프 희소화 기법을 적용한 후 최적 솔루션에서 연결된 노드가 손실되는 문제입니다. 이러한 문제를 극복하기 위해, 우리는 노드 유사도와 쌍별 거리를 병합한 MixScore 전이 행렬을 구성하고, 여러 홉(hop)에 걸쳐 효율적인 정보 교환을 지원하는 이방성 그래프 확산 전략을 개발했습니다. 다양한 인스턴스 크기와 노드 분포에 걸친 포괄적인 실험을 통해 AGDN이 계산 시간을 경쟁력 있게 유지하면서 기존 방법보다 일관되게 우수한 성능을 보임을 확인했습니다. 또한, AGDN은 학습(training) 중에 본 것을 넘어서는 문제 크기와 분포에 대해서도 잘 일반화됩니다. 구현은 https://github.com/LabRAI/AGDN에서 공개적으로 제공됩니다.

arXiv:2606.19140v1cs.LG

ChronoSurv: 멀티모달 생존 분석을 위한 임상 경로 기반 그래프 프레임워크

ChronoSurv: A Clinical Pathway-Guided Graph Framework for Multimodal Survival Analysis

두경부암 멀티모달 생존 분석을 위해 ChronoSurv는 주요 진단 단계에 맞춘 방향성 그래프로 임상 경로를 진행 인식 궤적으로 모델링하고, 계층적 토폴로지와 이질적 메시지 전달(message passing)로 모달리티·임상 단계 간 관계와 결측 모달리티를 함께 처리한다. HANCOCK·TCGA-HNSC 등 두 공개 데이터셋에서 신뢰할 수 있는 보정(calibration)을 유지하면서 최첨단 수준의 식별 성능을 달성했으며, 소거 연구로 각 구성 요소의 기여를 확인했다.

arXiv:2606.18923v1cs.LG

GrapNet: 프로그래밍 가능한 동적 아키텍처 신경망 그래프 기반

GrapNet: A Programmable Dynamic-Architecture Neural Graph Substrate

GrapNet은 그래프를 입력 데이터가 아니라 신경망 아키텍처·실행 프로그램으로 두고, 각 연산 노드가 자식 참조와 정렬된 학습 가능 할당 벡터를 소유해 관계 편집·동결·성장을 1급 연산으로 처리하는 편집 가능한 동적 아키텍처 기반을 제안한다. Split Fashion-MNIST와 동결 ImageNet ResNet-18 인코더 기반 Split CIFAR-10 연속 학습에서 동일 리플레이 조건의 밀집 MLP 대비 seen-class 정확도가 각각 63.16% vs 51.08%(+12.08p, p=1.3e-5), MLP-256 대비 +3.81p(p=0.0026) 향상됐다.

arXiv:2606.18857v1cs.LG

이상화된 Isca 시뮬레이션에서 돌연 성층권 온난화의 머신러닝 에뮬레이션을 위한 유도 편향 조사

Investigating Inductive Biases for Machine Learning Emulation of Sudden Stratospheric Warmings in Idealised Isca Simulations

부과된 wave-2 가열 섭동만 다른 Isca 시뮬레이션 쌍에서 컨볼루션·트랜스포머·그래프 기반 1단계 예측 에뮬레이터의 돌연 성층권 온난화(SSW) 역학 모사 성능을 비교했으며, SSW 유사 변동이 활성화되면 아키텍처 간 차이가 커지고 명시적인 3차원 수직 결합이 핵심 유도 편향으로 드러났다. 다만 Eliassen-Palm 플럭스 진단에서는 낮은 예측 오차에도 파동-평균 흐름 상호작용의 물리적 충실성이 보장되지 않고 성층권 파동 구동 구조에 구조적 오류가 남음을 보였다.

arXiv:2606.18726v1cs.LG

예측적 프로세스 모니터링에서 구조적 제약 하 전체 이벤트 시퀀스 생성을 위한 Graph Grounded Cross Attention 트랜스포머 신경망

Graph Grounded Cross Attention Transformer Neural Network for Structurally Constrained Full Event Sequence Generation in Predictive Process Monitoring

구조적 제약이 있는 이벤트 시퀀스 생성은 생성된 경로가 전이 가능성, 시간적 순서, 종료, 속성 일관성을 유지해야 하므로 여전히 도전적인 과제이다. 예측적 프로세스 모니터링(PPM)에서 이 과제는 전체 이벤트 시퀀스 생성으로 나타나는 반면, 기존 연구는 주로 다음 활동, 남은 시간, 결과, 속성 예측과 같은 구성 요소 과제를 다룬다. 본 논문은 이 통합 PPM 과제를 위해 Graph Grounded Cross Attention 트랜스포머 신경망(GGATN)을 제안한다. GGATN은 글로벌 프로세스 그래프를 구조화된 활동 메모리로 사용하고, 트랜스포머 자기 어텐션(self attention)을 통해 시퀀스 위치의 맥락을 파악하며, 그래프 그라운딩 크로스 어텐션(graph grounded cross attention)을 통해 프로세스 토폴로지를 주입한다. 자기회귀(autoregressive) 디코딩과 달리 GGATN은 활동, 타임스탬프, 길이, 이벤트 수준 및 시퀀스 수준 속성을 단일 패스로 생성한 뒤, 실행 가능한 경로와 명시적 종료를 위해 Viterbi 방식의 그래프 제약 디코딩을 수행한다. 6개의 벤치마크 이벤트 로그에 대한 실험 결과, 로컬 인스트럭션 프롬프트 기반 LLM 베이스라인보다 더 신뢰할 수 있는 생성 품질을 보여준다. GGATN은 시퀀스 유사도, Damerau-Levenshtein 유사도, 바이그램 기반 제어 흐름 유사도, 지속 시간 분포에서 강한 성능을 달성하면서, 환각된 활동 0건과 시퀀스 수준 속성 불일치 0건을 유지한다. 소거(ablation) 분석을 통해 글로벌 그래프 인코더가 안정적인 구조적 사전분포(prior)임을 확인한다. 해석 가능성 분석은 그래프 구조, 시퀀스 컨텍스트, 피드백 정제, 제약 디코딩이 생성을 어떻게 형성하는지 보여준다.

arXiv:2606.18691v1cs.LG

희소성 촉진 미세조정을 통한 등변 재료 파운데이션 모델의 견고하고 해석 가능한 적응

Robust and Interpretable Adaptation of Equivariant Materials Foundation Models via Sparsity-promoting Fine-tuning

사전학습된 재료 파운데이션 모델, 즉 기계학습 원자간 포텐셜(machine learning interatomic potentials)은 일반적인 물화학적 지식을 활용하여 포텐셜 에너지 면(potential energy surfaces)을 효과적으로 근사한다. 그러나 물화학적 다양성뿐 아니라 실제 계산 설정과 사전학습 데이터 구축에 사용된 설정 간의 불일치로 인해, 종종 영역별 보정이 필요하다. 이를 해결하기 위해, E(3) 등변 재료 파운데이션 모델의 구조적 특성을 활용하여 모델 파라미터를 선택적으로 갱신하는 희소성 촉진 미세조정 방법을 제안한다. 분자 및 결정 벤치마크 전반의 에너지·힘 예측 과제에서, 우리 방법은 전체 미세조정 및 등변 저랭크 적응(equivariant low-rank adaptation)과 동등하거나 이를 능가하면서 파라미터의 $\sim$3~\%만, 일부 경우에는 $\sim$0.5~\%만 갱신한다. 에너지·힘 보정을 넘어, 자기 모멘트 예측 및 자기 특성을 고려한 총 에너지 모델링에 본 방법을 적용하여 과제 일반화 가능성을 추가로 입증한다. 마지막으로, 희소성 패턴 분석은 전이금속 계에서 강화된 $d$-궤도 기여와 같이 물리적으로 해석 가능한 징후를 밝혀낸다. 전반적으로, 우리 결과는 희소성 촉진 미세조정이 등변 재료 파운데이션 모델의 영역 특화를 위한 유연하고 해석 가능한 방법임을 확립한다.

arXiv:2606.18672v1cs.LG

scGTN: 단일세포 RNA 시퀀싱 클러스터링을 위한 딥 샴시즈 그래프 트랜스포머 네트워크

scGTN: Deep Siamese Graph Transformer Network for Single-cell RNA Sequencing Clustering

단일세포 RNA 시퀀싱(scRNA-seq) 클러스터링에서 희소성·노이즈와 세포 간 구조 정보를 충분히 활용하지 못하는 한계를 해결하기 위해, 유전자 발현과 세포 그래프 구조를 통합한 scGTN(Deep Siamese Graph Transformer Network)을 제안한다. 두 증강 그래프 뷰에 Siamese 그래프 트랜스포머로 최단 경로와 노드 거리를 반영하고 최적 수송(optimal transport) 기반 자기지도 학습으로 클러스터링하며, 여러 벤치마크 scRNA-seq 데이터셋에서 기존 방법보다 우수한 성능을 보였다.

arXiv:2606.18444v1cs.LG

TMR-GGNN: 시간 인식 다중 관계형 유도 그래프 신경망 기반 신용카드 사기 탐지

TMR-GGNN: Credit Card Fraud Detection based on Time-Aware Multi-Relational Guided Graph Neural Network

최근 신용카드 사기 탐지는 데이터의 심한 불균형, 진화하는 사기 패턴, 그리고 거래 개체 간의 복잡한 관계 구조로 인해 중대한 과제에 직면해 있습니다. 이러한 문제들을 해결하기 위해, 본 연구는 Timeaware Multi Relational Guided Graph Neural Network (TMR GGNN)이라는 새로운 프레임워크를 제안합니다. 특히, 제안된 TMR GGNN은 시간 윈도우(temporal windows) 동안 고객, 가맹점, 장치, IP 간의 이질적인 상호작용을 모델링하여 인코더-디코더 그래프 신경망(GNN) 아키텍처를 확장합니다. 이어서, 제안된 TMR GGNN 방식은 동적이고 다중 관계형 그래프를 구성하고, 인코더 내에 시간 인식 관계형 어텐션(attention) 메커니즘을 통합하여 시간적 근접성과 의미적 맥락을 기반으로 거래의 관련성에 적응적으로 가중치를 부여합니다. 결과적으로, 디코더는 실제 거래 패턴과 합성된 거래 패턴을 구별하기 위해 대조 학습(contrastive learning) 모듈을 사용하며, 동시에 희귀 사기 사례에 대한 모델의 일반화를 개선합니다. 또한, 심각한 클래스 불균형을 효과적으로 관리하고 판별적 학습을 강조하기 위해, Information Noise Contrastive Estimation (InfoNCE) 기반 대조 손실(contrastive loss)과 Focal Loss를 결합한 복합 손실(loss) 함수를 도입합니다. 이러한 통합은 거짓 음성(false negative)을 완화하면서 사기 식별을 개선하는 데 도움을 줍니다.

arXiv:2606.18390v1cs.LG

MOLAR: 노이즈 라벨로부터 멀티모달 분자 표현 학습

MOLAR: Learning Multimodal Molecular Representations from Noisy Labels

노이즈 라벨 환경에서 멀티모달 분자 표현 학습을 위해 MOLAR를 제안하며, 잠재적 깨끗한 특성(clean-property) 추론과 기록된 라벨 관찰을 분리하고 그래프·텍스트 뷰의 잔차 증거를 범주형 라벨 관찰 채널로 연결해 학습합니다. 자연적으로 노이즈가 포함된 분자 벤치마크와 제어된 라벨 플리핑(label-flipping) 벤치마크에서 대표 기준선을 일관되게 능가하며, 사후 라벨 신뢰도와 모달리티별 분자 증거 진단을 제공합니다.

arXiv:2606.18317v1cs.LG

K-Hop 가우시안 확산을 이용한 향상된 그래프 신경망

Enhanced Graph Neural Networks using K-Hop Gaussian Diffusion

노이즈가 많거나 구조가 복잡한 그래프에서 단일 홉 메시지 전달과 기존 확산 커널(PPR, Heat Kernel)의 한계를 줄이기 위해, 원격 노드에 가우시안 가중치를 적용한 멀티 홉 확산 K-Hop 가우시안(KHG) 커널을 그래프 전처리 모듈로 제안한다. 표준 GNN 적용 전 국소·전역 정보 전파의 균형을 맞추며, 여러 벤치마크 데이터셋에서 메시지 전달 GNN과 PPR·Heat 확산보다 특히 노이즈·복잡 구조 그래프에서 유의미하게 우수한 성능을 보였다.

arXiv:2606.18287v1cs.LG

Artemis: 멀티모달 뇌 영상 교란 변수 제거를 위한 해부학적 해결 개입

Artemis: Anatomy-Resolved inTervention for Eliminating Multimodal NeuroImage confounderS

멀티모달 뇌 영상의 그래프 신경망(GNN)에서는 연령·성별 등 인구통계적 교란으로 임상 예측이 가짜 지름길에 의존하는 문제가 있으며, Artemis는 각 뇌 영역별 교란 표현을 학습해 독립적으로 인과 개입을 수행하는 영역 수준 백도어 조정 플러그인을 제안한다. ADNI, OASIS, HCP 세 벤치마크에서 대표 GNN 베이스라인 대비 정확도·AUC가 일관되게 향상되었고 통계적 유의성과 신경과학적 해석 가능성도 확인되었다.

arXiv:2606.18946v1cs.CL

SenFlow: 하이브리드 문서에서의 AI 생성 텍스트 탐지를 위한 문장 간 흐름 모델링

SenFlow: Inter-Sentence Flow Modeling for AI-Generated Text Detection in Hybrid Documents

하이브리드 문서의 문장 수준 AI 생성 텍스트 탐지(S-AGTD)를 문장 그래프 위 구조적 예측으로 재정의한 SenFlow는 그래프 기반 문장 간 전파와 선형 체인 CRF 디코딩을 단일 문서 패스로 결합한다. DeepSeek-V3.2·Kimi K2로 구축한 MOSAIC 벤치마크(16,000문서)에서 최고 성능을 보이며, 특히 교차 도메인 전이에서 Macro-F1이 평균 4.15pp 향상되고 혼란도 필터 이후에도 생성 모델에 따른 문장 길이 격차가 탐지 단서로 남는다.

arXiv:2606.19279v1cs.AI

NeSyCat Torch: 뉴로심볼릭 학습을 위한 범주론적 의미론의 미분 가능한 텐서 구현

NeSyCat Torch: A Differentiable Tensor Implementation of Categorical Semantics for Neurosymbolic Learning

파편화된 뉴로심볼릭(NeSy) 진리 의미론을 NeSyCat이 모나드(monad) 매개변수로 통합했지만 신경망이 학습한 술어·함수에 대한 설명이 부족했고, NeSyCat Torch가 이를 확률적 프로그래밍·텐서 백엔드의 미분 가능 구현으로 연결한다. 분포·게으른 로그-텐서·배치 모나드 기반 do-notation 공리 코드로 MNIST 덧셈에서 HaskTorch·JAX·PyTorch 구현이 LTN·DeepProbLog보다 빠르고 정확하며 DeepStochLog에 근접한 정확도를 달성하면서, 다양한 1차 NeSy 접근을 하나의 균일한 프레임워크로 유지한다.

arXiv:2606.19133v1physics.optics

물질 스크리닝을 위한 광학 스펙트럼 예측에서 등변 그래프 신경망의 성능 향상

Equivariant Graph Neural Networks Improve Optical Spectra Prediction for Materials Screening

태양전지 등 광전자 응용을 위한 고처량 물질 스크리닝에서 광학 스펙트럼 예측의 기하 표현력 한계를 줄이기 위해 등변 그래프 신경망(equivariant graph neural networks) GotenNet을 이 작업에 맞게 적용하고, 무작위 위상 근사(RPA) 수준 스펙트럼 10,533개 구조 데이터셋 등에서 평가했다. 제안 모델은 현재 최첨단 성능을 능가했으며, 박막 광학에 중요한 0–8 eV 구간과 정적 실수 유전율 예측에서 가장 큰 향상을 보였다.

arXiv:2606.18379v1cs.IR

RankGraph-2: 추천 시스템에서의 십억 노드 그래프 학습을 위한 수명 주기 공동 설계

RankGraph-2: Lifecycle Co-Design for Billion-Node Graph Learning in Recommendation

Meta에 배포된 RankGraph-2는 십억 노드 규모 유사도 기반 추천 검색에서 그래프 구성, 표현 학습, 실시간 서빙을 수명 주기 공동 설계로 묶어 인기도 바이어스 보정 서브샘플링, personalized PageRank 기반 다중 홉 이웃 사전 계산, 잔차 양자화 클러스터 인덱스 공동 학습으로 온라인 그래프 인프라와 KNN 비용을 줄인다. 이를 통해 이분 그래프에서 GAT+Deep Graph Infomax 대비 3.8배, 아이템 검색에서 PyTorch-BigGraph 대비 2.1배 높은 재현율과 최대 +0.96% CTR·+2.75% CVR 향상을 달성했으며, 주요 서비스에서 20건 이상의 검색 기능 출시를 지원했다.

arXiv:2604.25848v2cs.AI

제약이 있는 도시 전기차 배차를 위한 분포 강인 강화학습 프레임워크

A Distributionally Robust Reinforcement Learning Framework for Constrained Urban EV Dispatch

불확실하고 공간적으로 상관된 수요·이동 시간 하에서 EV 호출 차량의 배차·재배치·충전을 충전기·피더 제약 안에서 제어하는 문제를 육각 격자 semi-MDP로 모델링하고, 고수준 의도를 롤링 MILP로 투영해 물리적 타당성을 보장하며 그래프 정렬 Wasserstein-1 모호성 집합 기반 PD-RSAC로 분포 변동에 강건하게 학습한다. NYC 택시 데이터 기반 대규모 시뮬레이터에서 PD-RSAC는 Greedy·SAC·MAPPO·MADDPG 등 대비 순이익 122만 달러로 최고 성능을 내고 피더 한계 위반을 0건으로 유지했다.

arXiv:2606.17684v1stat.ML

그래프 신경망에서의 기하학적 공정성

Geometrical fairness in graph neural networks

그래프 기반 학습 방법은 다양한 응용 분야에서 강력한 성능을 보여주어 점차 주목받고 있습니다. 이 중에서 확산 과정에 기반을 둔 최근 프레임워크는 표준 메시지 전달(message-passing) 메커니즘의 한계를 해결하면서 기존 그래프 신경망 공식을 확장하는 통합적인 관점을 제공합니다. 이러한 발전에도 불구하고, 해당 모델이 데이터에 존재하는 바이어스를 전파하거나 증폭할 수 있어 공정성에 대한 우려가 여전히 존재합니다. 본 연구에서는 기저 라플라시안 연산자를 수정하여 그래프 기반 확산의 공정성을 고려한 적응 방식을 제안합니다. 제안하는 방법은 바이어스 관련 구성 요소를 완화하기 위해 부분 공간 투영, 스펙트럼 조정, 주파수 기반 필터링 등 여러 상호 보완적인 변환을 통합합니다. 그래프 확산의 내재된 평활화(smoothing) 특성을 활용하여, 결과적인 동작에 대해 체계적인 분석을 제공하고 공정성 특성에 대한 이론적 통찰을 확립합니다. 합성 및 실제 데이터셋 모두에서 제안된 프레임워크를 평가한 결과, 제한된 추가 계산 비용으로 공정성 지표를 개선하면서도 경쟁력 있는 성능을 달성함을 확인했습니다.

arXiv:2509.26476v3cs.CL

코드를 위한 회귀 언어 모델

Regression Language Models for Code

우리는 코드-지표 회귀(code-to-metric regression), 즉 프로그래밍 언어의 개방적인 특성으로 인해 어려운 과제인 코드 실행의 수치적 결과를 예측하는 문제를 연구합니다. 기존 방법들이 복잡하고 도메인 특화적인 특징(feature) 엔지니어링에 의존해 온 반면, 우리는 동결된 LLM 인코더를 사용하는 단일 통합 회귀 언어 모델(RLM)이 텍스트로부터 직접 다음을 동시에 예측할 수 있음을 보여줍니다. (i) Python 및 C++와 같은 여러 고급 언어에 걸친 코드의 메모리 사용량(memory footprint), (ii) Triton GPU 커널의 지연 시간(latency), 그리고 (iii) ONNX로 표현된 학습된 신경망의 정확도와 속도입니다. 특히, T5Gemma를 기반으로 한 비교적 작은 3억(300M) 매개변수의 RLM은 APPS 데이터셋의 경쟁적 프로그래밍 제출물에서 0.9 이상의 스피어만 순위를 기록했으며, 단일 통합 모델은 CodeNet의 24가지 서로 다른 프로그래밍 언어에서 평균 0.5 이상의 스피어만 순위를 달성했습니다. 또한, 이 RLM은 그래프 신경망이 주도하던 5개의 고전적인 NAS(신경망 아키텍처 탐색) 설계 공간에서 0.46이라는 최고 평균 켄달 타우(Kendall-Tau)를 달성했으며, 다양한 하드웨어 플랫폼에서 아키텍처 지연 시간을 동시에 예측할 수 있습니다.

arXiv:2606.17406v1cs.CV

다중 특징 집합을 활용한 준지도 이미지 분류를 위한 그래프 신경망

Graph Neural Networks for Semi-Supervised Image Classification with Multi-Feature Aggregation

특징 추출은 에지, 텍스처, 모양, 색상 속성을 포함한 두드러진 특성이나 패턴을 식별하고 추출하는 과정입니다. 현대의 특징 추출기는 주로 합성곱 신경망(CNN)과 비전 트랜스포머(ViT)와 같은 심층 학습 아키텍처를 활용합니다. 문헌상 다양한 특징 추출기의 존재는 광범위한 특징 표현을 제공합니다. 이미지에서 추출된 특징은 특정 응용 분야, 선택된 추출기 및 그 구성에 따라 달라집니다. 따라서 서로 다른 추출기를 결합하여 상호 보완적인 정보를 통합하는 것은 성능을 향상시키는 유망한 방법입니다. 그래프 신경망(GNN), 특히 그래프 합성곱 네트워크(GCN)는 샘플 간의 관계를 포착하는 기본 그래프 구조를 활용하면서 레이블이 있는 데이터와 없는 데이터를 모두 효과적으로 활용하기 때문에, 준지도 이미지 분류를 위한 강력하고 널리 채택된 접근 방식으로 자리 잡았습니다. 본 연구는 분류 시나리오에서 다양한 추출기에서 파생된 특징 및 그래프 표현의 다양한 세트를 통합하여, 레이블된 데이터가 부족한 상황에서 GNN을 위한 새로운 접근 방식을 제안합니다. 서로 다른 특징 및 그래프 추출기의 조합과 순위 집합 전략을 포함하는 실험적 조사가 수행되었습니다. 이 연구의 주요 기여는 실험 결과에 의해 강조됩니다. 실험 결과에 따르면, 그래프 처리를 위한 매니폴드 학습 적용과 함께 특징 및 그래프 표현의 전략적 결합은 대부분의 실험 조건에서 분류 정확도의 상당한 향상으로 이어집니다. 또한, 서로 다른 추출기의 특징을 통합하기 위한 순위 집합 기법의 활용이 분류 정확도를 향상시키는 것으로 나타났습니다.