소규모 학습 샘플 크기에서의 준지도 그래프 학습을 위한 분수 열 커널
Fractional Heat Kernel for Semi-Supervised Graph Learning with Small Training Sample Size
우리는 비지역적(nonlocal) 전파와 지속적인 레이블 정보를 결합한, 준지도 그래프 학습을 위한 소스 기반(source-driven) 분수 열 커널(fractional heat-kernel) 프레임워크를 개발한다. 라플라시안(Laplacian) 널 공간(null space)과 양립 가능한 고정된 0이 아닌 레이블 소스는 해당 공간으로의 점근적 붕괴(collapse)를 방지하여, 긴 확산 시간에서 과평활화(oversmoothing)를 완화하는 메커니즘을 제공한다. 분수 차수(fractional order)는 상대적 모드 감쇠와 지속 응답의 스펙트럼 가중치를 제어하며, 확산 시간은 전파 범위(propagation horizon)를 설정한다. 우리는 정규화된 그래프와 비연결 그래프에서의 보존 법칙과 평형 상태를 규명하고, 널 공간 디플레이션(null-space deflation)을 개발하며, 전파 연산자(propagator)의 근사를 분석한다. Two-Moon에서는 분수 차수가 소스 없는 전파를 개선하며, 양립 가능한 소스 기반 확산은 차수 0.8과 1에서 클래스당 학습 레이블 1개로 평균 정확도 96%를 초과한다. Cora와 CiteSeer에서는 소스 기반 파이프라인이 클래스당 학습 레이블 1개에서 GAT보다 평균 정확도를 각각 9.2%p와 8.0%p 향상시키며, 500개의 레이블된 검증 노드에서 모델을 선택하고 고전적 파이프라인 구성과 분수 파이프라인 구성이 서로 근접하게 비교 가능하다; PubMed에서는 GAT와 동등한 성능을 보이며, Cora에서 클래스당 레이블 10개와 20개에서는 GAT보다 낮은 성능을 보인다. GraphHeat 내에서는 공통 확산 시간에서 검증 기반 지수 선택이 클래스당 레이블 1개에서 1.45%p의 짝비교(paired) 성능 향상을 가져온다.