PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.22462v1cs.LG

그래프 테스트 타임 연산을 위한 적응형 순환 메시지 전달

Adaptive Recurrent Message Passing for Test Time Computing on Graphs

사전학습(pre-training) 기반 모델(foundation model)은 다양한 도메인에서 뛰어난 성과를 보여 왔으며, 단일 백본이 다양한 다운스트림 과제에 일반화할 수 있게 한다. 그러나 이 패러다임을 그래프 학습(graph learning)으로 확장하는 것은 그래프 데이터와 고정된 아키텍처 설계 간의 본질적 불일치로 인해 여전히 어렵다. 본 연구에서는 순환 그래프 모델(recurrent graph model)을 통해 이 한계를 극복할 수 있음을 보인다. 이를 위해 체계적인 이론 분석을 수행하고, 적응적으로 수렴하는 순환 과정을 위해 단계 의존성(step dependence)이 필요충분 조건임을 엄밀하게 도출한다. 이 기반 위에서 AdaR(Adaptive Recurrent graph model)을 제안하며, 모델 파라미터를 변경하지 않고도 다양한 다운스트림 과제에서 유연한 테스트 타임 연산(test-time computing)을 가능하게 한다. 적응형 추론(inference)을 위해 AdaR은 정규화(normalization)된 단계 정보와 표현-목표(representation-target) 관계를 순환 업데이트에 명시적으로 인코딩한다. 순환 과정의 수렴(convergence)을 보장하기 위해 AdaR은 그래디언트(gradient) 기반 지도 신호를 사용하여 순환 전반에 걸친 표현 업데이트를 안내한다. 실험 결과는 AdaR이 귀납(inductive) 및 전도(transductive) 설정 모두에서 강력한 베이스라인을 일관되게 능가함을 보여준다.