최대 독립 집합(maximum independent set, MIS) 문제는 스케줄링, 자원 할당, 네트워크 분석 등에 응용되는 기본적인 NP-hard 조합 최적화(combinatorial optimization) 문제이다. 정확 솔버(exact solver)는 고품질 해 또는 최적성 증명(optimality certificate)을 제공할 수 있으나, 계산 비용은 그래프 크기에 따라 급격히 증가한다. 반면 수작업 휴리스틱(hand-crafted heuristic)은 보장을 희생하는 대신 확장성(scalability)을 개선한다. 학습 기반 방법은 그래프 인스턴스 간 구조적 패턴을 활용하는 대안을 제공하지만, 독립 집합을 직접 예측하면 대규모 그래프에서 전역 조율(global coordination)이 어려워질 수 있다. 우리는 대신 학습을 이용해 다중 수준 그래프 조 정(multilevel graph coarsening)을 안내하고, 최종 의사 결정에는 조합 탐색(combinatorial search)을 유지한다. Dual-GNN 다중 수준 조 정 프레임워크는 Partition GNN으로 후보 수축(contraction)을 점수화하고, Representative GNN으로 각 최종 클러스터에 대해 상위 k개의 지역 독립 집합 상태를 선택한다. 최대 2,000개 정점(vertex)을 갖는 Erdős–Rényi 그래프 실험에서 유리한 품질–실행 시간 트레이드오프(quality–runtime trade-off)를 보여준다. 인증된 최적해가 있는 500정점 인스턴스에서, 본 방법은 평균 독립 집합 크기 19.20을 달성하며 이는 최적값 19.30의 99.5%에 해당한다. 정확 해법의 평균 벽시계 시간(wall-clock time) 643.57초를 3.41초로 줄여 약 189배 속도 향상(speedup)을 얻는다. 1,000 및 2,000 정점의 더 큰 그래프에서는 평가된 모든 방법 중 최고의 평균 해 품질을 달성한다. 또한 가장자리 확률(edge probability) $p=0.35$인 Erdős–Rényi 그래프에서만 학습했음에도, 학습된 조 정 정책은 보지 못한 그래프 밀도와 구조적으로 다른 그래프 계열 모두에 효과적으로 일반화(generalize)된다.
그래프 기반 추천은 실제 산업 응용에서 널리 채택되고 있다. 그러나 이러한 시스템의 그래프는 종종 대규모에 이르며, 상당한 확장성 및 효율성 문제를 야기한다. 이는 예측 품질과 계산 비용을 효과적으로 균형 있게 맞출 수 있는 기법을 요구한다. 유망한 접근법 중 하나는 그래프 조(coarsening)로, 적응형 그래프 축소 기법으로 원래의 대규모 그래프보다 작으면서도 구조적으로 대표적인 버전을 체계적으로 구성하는 방법을 제공한다. 본 연구에서는 통신(telecommunications) 분야에서 그래프 조(coarsening)와 다단계 레이블 전파(label propagation)를 결합한 유연한 2단계 확산(diffusion) 프레임워크를 제안한다. 도메인 특화 휴리스틱을 적용하여 먼저 노드를 의미 있는 커뮤니티(community)로 집계하고, 그래프 크기를 줄이면서 비즈니스와 관련된 핵심 관계를 보존한다. 레이블 전파 알고리즘(LPA) 또는 그래프 신경망(GNN)에 의한 초기 확산 과정이 조(coarsened) 그래프 전체에 레이블을 전파하여 거친 수준(coarse-grained)의 예측을 생성한다. 마지막으로, 서브그래프(subgraph) 내에서 수행되는 두 번째 LPA가 개별 사용자에 대한 최종 추천을 생성한다. 실제 통신 데이터셋(dataset)에서 두 단계 모두 LPA를 사용할 때, 본 방법은 전체 그래프 LPA 기준선(baseline) 대비 NDCG@5에서 최대 +24%를 달성한다. 1단계에 경량 GNN을 통합하면 NDCG@5가 50% 이상 더 향상되지만, 상당한 학습(training) 및 추론(inference) 시간이 필요하다. 광범위한 실험과 상세한 ablation을 통해 이러한 트레이드오프를 정량화하고, 조(coarsening) 기반 접근법이 확장성, 지연 시간(latency), 추천 품질 사이의 최적 균형을 제공함을 보여준다.
그래프 신경망(GNN)의 조정(coarsening) 기반 학습, 즉 원본 대규모 그래프 대신 조정된 그래프에서 학습하는 방식은 대규모 그래프로 GNN을 확장하는 유망한 방향이 되었다. 그러나 선행 연구는 거의 전적으로 동질성(homophilic) 그래프에서만 평가되어, 더 도전적인 이질성(heterophilic) 설정은 충분히 탐구되지 않았다. 우리는 경험적·이론적으로 기존 조정 기반 학습 방법이 조정 과정에서 불가피한 그래프 정보 손실로 인해 이질성 그래프에서 상당한 성능 저하를 겪는다는 것을 보인다. 이를 해결하기 위해, 조정 과정에서 버려진 정보를 재통합하는 플러그 앤 플레이, 모델 무관 전략인 적응형 상보적 강화(Adaptive Complementary Enhancement, ACE)를 제안한다. ACE는 원본 노드 특징을 재구성하는 투영기(projector)를 학습하고, 국소 이질성을 임베딩하기 위해 이방성 구조 정규화(anisotropic structural regularization)를 적용한다. 또한 동분산 불확실성 가중(homoscedastic uncertainty weighting)을 채택하여, 이질성 인식 투영기가 재구성한 증강 노드 특징을 사용한 전체 그래프 보조 손실과 주 조정 그래프 학습 손실로 구성된 결합 학습 목표를 적응적으로 균형 조정한다. 광범위한 실험에서 ACE는 최소한의 계산 오버헤드로 동질성 그래프에서 경쟁력 있는 결과를 유지하면서 이질성 벤치마크에서 일관된 성능 향상을 달성함을 보여준다. 코드는 GitHub 저장소 https://github.com/vasile-paskardlgm/ACE 에서 제공된다.