ChronoSpike: 동적 그래프를 위한 적응형 스파이킹 그래프 신경망
ChronoSpike: An Adaptive Spiking Graph Neural Network for Dynamic Graphs
한국어 초록
동적 그래프 표현 학습은 구조적 관계와 시간적 진화를 모두 포착해야 하지만, 기존 접근 방식은 핵심적인 트레이드오프에 직면해 있습니다. 어텐션(attention) 기반 방법은 O(T^2) 복잡도로 표현력을 제공하는 반면, 순환(recurrent) 아키텍처는 그래디언트(gradient) 병리 현상과 조밀한 상태 저장 문제로 어려움을 겪습니다. 스파이킹 신경망(SNN)은 이벤트 기반의 효율성을 제공하지만 순차적 전파, 이진 정보 손실(loss), 전역 컨텍스트가 결여된 국소 집계로 인해 제약을 받습니다. 본 논문에서는 채널별 멤브레인 동역학을 갖춘 학습 가능한 LIF 뉴런, 연속형 특징에 대한 멀티헤드 공간 어텐션 집계, 경량 트랜스포머(Transformer) 시간 인코더를 통합한 적응형 스파이킹 그래프 신경망인 ChronoSpike를 제안합니다. 이러한 설계를 통해 O(T.d)의 활성화/상태 메모리와 본 연구에서 평가된 기간 동안 작게 유지되는 노드(node)당 추가 O(T^2) 어텐션 텀만으로 세밀한 국소 모델링 및 장기 의존성 포착이 가능해집니다. ChronoSpike는 그래프 크기와 무관하게 105K개의 일정한 매개변수(parameter) 예산 내에서 순환 방식보다 3~10배 빠른 학습(training)을 달성하면서, 세 개의 대규모 벤치마크에서 12개의 최고 수준(SOTA) 베이스라인 대비 평균 2.0%의 Macro-F1 및 2.4%의 Micro-F1 성능 향상을 보입니다. 또한 멤브레인 전위의 유계성, 수축 인자 \r{ho}<1 하에서의 그래디언트 흐름 안정성, BIBO 안정성에 대한 이론적 보장을 제공합니다. 해석 가능성 분석 결과, 이질적인 시간 수용장과 83~88%의 희소성(sparsity)을 지닌 학습된 초두 효과(primacy effect)가 확인되었습니다. 코드는 다음 링크에서 공개되어 있습니다: https://github.com/Abrar2652/ChronoSpike
원문 초록
Dynamic graph representation learning requires capturing both structural relations and temporal evolution, yet existing approaches face a core trade-off: attention-based methods offer expressiveness at O(T^2) complexity, while recurrent architectures suffer from gradient pathologies and dense state storage. Spiking neural networks provide event-driven efficiency but are constrained by sequential propagation, binary information loss, and local aggregation that lacks global context. We propose ChronoSpike, an adaptive spiking graph neural network that integrates learnable LIF neurons with per-channel membrane dynamics, multi-head spatially-attentive aggregation over continuous features, and a lightweight Transformer temporal encoder. This design enables fine-grained local modeling and long-range dependency capture with O(T.d) activation/state memory and an additional O(T^2) per-node attention term that remains small for the horizons evaluated here. ChronoSpike outperforms twelve state-of-the-art baselines on three large benchmarks by 2.0%~Macro-F1 and 2.4%~Micro-F1 on average while achieving 3-10 times faster training than recurrent methods with a constant 105K-parameter budget independent of graph size. We provide theoretical guarantees for membrane potential boundedness, gradient flow stability under contraction factor \r{ho}<1, and BIBO stability; interpretability analyses reveal heterogeneous temporal receptive fields and a learned primacy effect with 83-88% sparsity. Our code is publicly available at: https://github.com/Abrar2652/ChronoSpike
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
QUARTET: 관계 그래프에서 트랜스포머를 강화하기 위한 4분기 교차 어텐션과 랜덤 워크 트레이스
QUARTET: Quad-branch cross-Attention and Random-walk Traces for Enhancing Transformers on Relational Graphs
관계 심층 학습(RDL)은 다중 테이블 데이터베이스를 이종 시간 그래프로 모델링하며, 그래프 트랜스포머는 RelBench와 같은 벤치마크에서 현재 최첨단 성능을 달성한다. 그러나 현재 선두 모델인 RelGT는 두 가지 핵심 한계가 있다. 무작위 로컬 샘플러가 느슨하게 연결된 부분 그래프를 만들어 메시지 전달을 방해하고, 전역 어텐션 모듈이 단일한 시드 특징 기반 메모리에만 의존해 더 넓은 거시적 수준의 역학을 놓친다. 이 한계를 극복하기 위해, 로컬 부분 그래프에 전체 셀프 어텐션을 적용하고 교차 어텐션 분기로 전역 문맥을 풍부히 하는 표현력 있는 그래프 트랜스포머 아키텍처 QUARTET을 제안한다. 구체적으로 QUARTET은 최근성 절단 개인화 PageRank(PPR)에 기반한 인과적 랜덤 워크(CRW) 샘플러로, 시간적 누출 없이 간결하고 허브-강건하며 밀집 연결된 로컬 부분 그래프를 추출한다. 동시에 4분기 교차 어텐션 모듈은 시드 특징, 시드 위상, 시간적 역학, 협력적 역학이라는 네 가지 상보적 관점에서 전역 문맥을 통합한다. RelBench v1 분류 과제 전반에서 QUARTET은 현재 최첨단 그래프 트랜스포머 기준선(HGT 및 RelGT)과 지속적으로 동등하거나 더 나은 성능을 보인다. 절제 연구는 CRW 샘플러가 로컬 이웃 품질을 크게 향상시키고, 전역 분기가 과제별로 필수적인 예측 이득을 제공함을 확인한다.
학습된 GNN에서의 지역적 증거 및 기하학적 리드아웃 복구
Local Evidence and Geometric Readout Repair in Trained GNNs
많은 노드(node) 분류(classification) GNN은 로컬 메시지의 비음수 혼합에 선형 분류기를 적용합니다. 오류는 부적절한 혼합 가중치를 반영하거나, 도달 가능한 로짓(logit) 집합이 분류기에 적합하지 않게 배치되었음을 나타낼 수 있습니다. 본 연구에서는 정확한 질량(exact-mass) 선형 계획법과 두 가지 학습된 사후(post-hoc) 복구를 통해 이러한 원인들을 분리합니다. 모든 재가중치화(reweighting)된 예측은 동등한 중심화된 로짓 평행이동(translation)을 가지지만, 메시지로 유도된 변위 집합 내의 평행이동만이 재가중치화를 통해 실현 가능합니다. 8개의 데이터셋(dataset), 8개의 GNN 백본, 10개의 분할에 걸쳐 동결된 모델의 평균 정확도는 62.6%에서 재가중치화 적용 시 63.8%, 집합 조건부 평행이동 적용 시 65.3%로 상승합니다. 매개변수(parameter)가 일치된 노드 전용 평행이동기는 64.6%에 도달하여, 평행이동이 성능 향상의 대부분을 설명하는 반면 메시지 집합은 더 작은 추가적 이점을 제공함을 보여줍니다. 오라클(oracle) 재가중치화는 많은 오류를 수정할 수 있지만, 라벨 없는(label-free) 재가중치화는 이러한 잠재력을 거의 활용하지 못합니다. 즉, 로컬 증거는 종종 존재하지만 선택하기 어려우며, 증거 제약을 완화하는 것이 해당 제약 내에서 학습하는 것보다 더 효과적입니다.
저항 곡률 기반 확장 가능한 서브그래프 샘플링
Scalable Subgraph Sampling via Resistance Curvature
서브그래프 샘플링은 대규모 그래프 신경망(GNN)의 학습 비용을 줄이지만, 샘플링 기준은 엣지의 기하학적 역할을 간과할 수 있다. 우리는 대규모 그래프용 곡률 근사 방법인 ERC-LG 위에 구축한 저항 곡률(resistance curvature) 유도 샘플링 프레임워크를 제안한다. ERC-LG는 Johnson-Lindenstrauss 투영과 정규화된 다중 GPU 배치 공액 그래디언트(conjugate gradient) 솔버를 결합하여, 명시적인 라플라시안 의사역행렬(pseudoinverse) 계산과 전체 임베딩 저장을 피한다. 이렇게 얻은 곡률은 GNN 학습 서브그래프를 구성하기 위한 노드 및 엣지 샘플링 확률을 결정하는 데 활용된다. 실험 결과, 의사역행렬 기반 곡률과 수치적으로 일치하며 CG만 사용한 계산 대비 실행 시간이 감소한다. ERC-LG 기반 샘플링 변형은 다운스트림 노드 분류에서 7개 실세계 데이터셋 중 6개에서 최고 평균 정확도를 달성한다.
EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy
그래프 신경망(GNN)은 그래프 구조 데이터로부터의 학습에서 상당한 성과를 거두었으나, 그래프 구조가 민감한 링크 정보를 누출할 수 있기 때문에 프라이버시에 민감한 영역에서의 활용은 여전히 어렵다. 엣지 수준의 차분 프라이버시를 만족시키기 위한 일반적인 접근법은 그래프의 인접 행렬 모든 원소에 노이즈를 주입하여 개별 엣지의 존재를 불분명하게 하는 것이다. 그러나 강력한 프라이버시를 위해서는 더 많은 노이즈가 필요하고, 과도한 노이즈는 유용성을 저하시키므로 프라이버시-유용성 균형은 실용적인 프라이버시 보존 그래프 학습의 주요 장벽이다. 이 문제를 해결하기 위해 우리는 적응형 엣지 정제를 통해 이러한 절충을 개선하는 로컬 차분 프라이버시 프레임워크인 EdgeRefine을 제안한다. EdgeRefine은 먼저 Jaccard 유사도를 사용하여 엣지 존재 확률을 추정하고, 노이즈가 있는 엣지 제거를 위해 엣지의 순위를 매긴다. 최종 그래프의 희소성과 신뢰성을 보장하기 위해, 프라이버시 예산 $\varepsilon$을 사용하여 실제 엣지와 허위 엣지의 비율을 결정하고, 이 확률 순위에 따라 별도로 샘플링하며, 별도의 샘플링 비율 $k$로 총 엣지 수를 제어한다. 광범위한 실험을 통해 EdgeRefine이 노이즈가 없는 기준선에 필적하는 정확도를 달성하고, 다양한 데이터셋과 GNN 아키텍처에서 다른 프라이버시 보존 방법들을 크게 능가함을 보인다. 프라이버시 예산 $\varepsilon=2.5$ 하에서, EdgeRefine은 GAT 기반 ACM 데이터셋에서 노드 분류 정확도를 최신 기준선 대비 17.8%, GCN 기반 Cora 데이터셋에서 19.7% 향상시킨다. 그래프 분류에서는 노이즈가 없는 기준선 대비 평균 약 5%의 정확도 저하를 달성한다. 그래프 재구성 공격 하에서 EdgeRefine은 모든 프라이버시 예산에서 상대 절대 오차 수준을 1 이상으로 유지하며, Cora에서 평균 1.962, AMAP에서 1.472를 기록하여 프라이버시 누출에 대한 강한 복원력을 나타낸다.
적응형 상보적 강화를 통한 이질성 환경에서 조정 기반 GNN 학습의 개선
Remedying Coarsening-Based GNN Training under Heterophily via Adaptive Complementary Enhancement
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.
엔트로피 곡률을 통한 그래프 신경망의 국소-전역 기하학적 통찰
Local-Global Geometric Insights for Graph Neural Networks via Entropic Curvature
그래프에서의 곡률 개념, 특히 Ollivier-Ricci 곡률과 Forman 곡률은 oversmoothing과 oversquashing 같은 그래프 신경망(GNN)의 근본적 문제를 해결하는 강력한 도구로 부상했지만, 거의 전적으로 국소적 엣지 수준의 비교에 의존하기 때문에 정보가 실제로 장거리에 걸쳐 어떻게 전파되는지를 보증하지 못한다. 우리는 Wasserstein 측지선을 따라 엔트로피의 변위 볼록성(displacement convexity)을 통해 Lott-Sturm-Villani 프레임워크를 그래프로 확장하여 얻은 전역적·운송 기반 곡률인 Entropic Curvature(엔트로피 곡률)를 도입한다. 전역 엔트로피 곡률의 하한을 제공하는 계산 가능한 Weak Entropic Curvature(약 엔트로피 곡률) 프록시를 정의하고, 이로부터 (i) oversmoothing을 제어하는 Poincaré형 부등식, (ii) 운송-엔트로피 일반화 bound, (iii) 대규모 그래프에서 희소성, 강한 스펙트럴 확장, 양의 엔트로피 곡률이 공존할 수 없음을 보여 주는 확장 역설을 도출하며, oversmoothing과 oversquashing을 단일 곡률 스펙트럼의 양 극단으로 통합한다. 이 이론을 E-Gate 집계기, ENT 구조 인코딩, Midpoint-Completion Rewiring(MCR)의 세 가지 실용적 메커니즘으로 구현하고, SDRF, FoSR, BORF, LCP, Graph Ricci Flow와 비교하여 6개 노드 분류 벤치마크와 그래프 분류에서 벤치마크한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.
저자 비고
arXiv Comments
Accepted at the Fifth Learning on Graphs Conference (LoG 2026)