PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2510.04440v2cs.LG

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.

arXiv:2607.22287v1cs.LG

그래프 조(coarsening)와 레이블 전파를 통한 효율적 추천

Efficient Recommendations via Graph Coarsening and Label Propagation

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.

arXiv:2607.03503v1cs.LG

$p$에서의 연속법을 통한 그래프 $p$-라플라시안 준지도 학습을 위한 준선형 시간 솔버

A Near-Linear-Time Solver for Graph $p$-Laplacian Semi-Supervised Learning via Continuation in $p$

그래프 기반 준지도 학습(SSL)에서 레이블이 희소할 때 표준 이차($p=2$) 라플라시안이 퇴화하는 문제를 해결하기 위해, 비선형 $p$-라플라시안 에너지를 소스 형태의 흐름 방정식으로 재구성하고 $p$에 대한 감쇠 chord-Newton 연속법과 준선형 라플라시안 솔버를 결합한 근사 선형 시간 알고리즘을 제안한다. 228개의 실제 그래프에서 $m^{1.19}$의 실증적 복잡도를 달성하며, MNIST 10-NN 벤치마크에서 클래스당 레이블 하나 조건 시 $p=3$이 $p=2$의 36%에 비해 64%의 정확도를 기록하고 기존 FCL 솔버 대비 최대 14배 빠른 속도로 $6.8\times10^7$ 엣지 규모의 소셜 네트워크도 처리한다.