잠재 혼합 모델링을 통한 그래프 신규성 생성을 위한 정보 이론적 프레임워크
An Information Theoretic Framework for Graph Novelty Generation via Latent Mixture Modeling
우리는 그래프 신규성 생성을 위한 정보 이론적 프레임워크를 제안하며, 이는 전역 구조적 일관성을 유지하면서 기존 패턴과 구별되는 데이터를 생성하는 것을 목표로 합니다. 우리의 접근 방식은 데이터를 잠재 공간에 임베딩하고, 유한 혼합 모델을 사용하여 잠재 분포를 모델링하며, 기술 길이 측면에서 공식화된 명시적인 신규성 및 신뢰성 조건을 부과하여 새로운 샘플을 생성합니다. 구체적으로, 신규성은 생성된 샘플이 모든 기존 혼합 성분에 의해 잘 설명되지 않도록 요구함으로써 강제되며, 신뢰성은 최소 기술 길이(MDL) 원칙 하에서 전체 혼합 구조에 대한 영향을 제한합니다. 우리는 적절한 임계값 선택을 통해 비신규 또는 신뢰할 수 없는 샘플을 오분류할 확률이 명시적인 속도로 0으로 수렴함을 보여주는 이론적 분석을 제공합니다. 합성 및 벤치마크 그래프 데이터셋에 대한 실험은 제안된 방법이 정량화 가능한 위험으로 원칙에 기반한 신규성 생성을 가능하게 함을 보여줍니다.