잠재 혼합 모델링을 통한 그래프 신규성 생성을 위한 정보 이론적 프레임워크
An Information Theoretic Framework for Graph Novelty Generation via Latent Mixture Modeling
한국어 초록
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.
원문 초록
We propose an information-theoretic framework for graph novelty generation, which aims to generate data that are distinct from existing patterns while preserving global structural consistency. Our approach embeds data into a latent space, models the latent distribution using finite mixture models, and generates novel samples by imposing explicit novelty and reliability conditions formulated in terms of description length. Specifically, novelty is enforced by requiring generated samples to be poorly explained by all existing mixture components, while reliability constrains their impact on the overall mixture structure under the Minimum Description Length (MDL) principle. We provide a theoretical analysis showing that, with appropriate threshold choices, the probabilities of misclassifying non-novel or unreliable samples converge to zero with explicit rates. Experiments on synthetic and benchmark graph datasets demonstrate that the proposed method enables principled novelty generation with quantifiable risk.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.19770v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
잠재 구조 학습: 그래프 데이터 증강을 위한 특징 중심 접근법
Learning the Latent Structure: A Feature-Centric Approach to Graph Data Augmentation
그래프 구조 데이터는 복잡한 관계를 모델링하는 데 핵심적인 역할을 합니다. 그러나 실제 그래프는 데이터 수집 및 관측의 제약으로 인해 불완전한 경우가 많으며, 이는 현대 그래프 학습 파이프라인의 효과를 심각하게 제한합니다. 기존 그래프 데이터 증강(Graph Data Augmentation, GDA) 방식들은 다운스트림 성능 향상을 위해 그래프 구조를 정제하고자 시도하지만, 대개 레이블 의존적이고 계산 비용이 많이 들며 본질적으로 트랜스덕티브(transductive)하여 실제 환경에서의 적용 가능성이 제한됩니다. 본 연구에서는 명시적인 구조 모델링을 우회하고 임베딩(embedding) 공간에서 직접 작동하는 새로운 특징(feature) 중심 그래프 데이터 증강 프레임워크를 제안합니다. 자기지도 역마스킹(inverse masking) 과정을 통해, 본 방법은 관측된 그래프와 완전한 그래프 사이의 잠재적 연결을 포착하여 정제된 노드(node) 표현을 통해 관측되지 않은 구조적 신호를 복원할 수 있도록 합니다. 노이즈가 많고 희소한 지도 신호 하에서의 강건성을 향상하기 위해, 효과적인 학습(training)과 일반화를 위한 메시지 정규화기(message regularizer) 및 부트스트랩 전략을 도입합니다. 여러 도메인에 걸친 10개의 그래프 데이터셋에서 평가한 결과, 우리의 접근 방식인 SelfAug는 인덕티브(inductive) 및 콜드 스타트(cold-start) 설정 모두에서 정확도와 효율성 측면에서 최첨단(SOTA) 방법들을 일관되게 능가하며, 실제 그래프 학습 시나리오를 위한 확장 가능하고 일반화 가능한 솔루션으로서의 잠재력을 입증합니다.
GLASS: 전이 가능한 그래프 수준 이상치 탐지를 위한 구면 점수화 기반 그래프-언어 정렬
GLASS: Graph-Language Alignment with Spherical Scoring for Transferable Graph-Level Anomaly Detection
본 논문에서는 단위 초구(unit hypersphere) 상의 그래프-언어 정렬을 통해 강력한 도메인 간 전이 가능성(cross-domain transferability)을 달성하는 그래프 수준 이상치 탐지(GLAD) 프레임워크인 GLASS를 소개합니다. GLASS는 다중 슬라이스 소프트 코사인 목적 함수(multi-slice soft cosine objective)를 통해 구조 인지 그래프 인코더와 지시 인지(instruction-aware) 텍스트 임베딩을 정렬하여 통합된 표현 공간을 구축합니다. 본 프레임워크는 국소적, 전역적, 의미론적 그래프 속성을 압축된 그래프 기술자 프롬프트(GraphDP)로 직렬화하여 도메인에 구애받지 않는 이상치 점수화를 가능하게 하는 텍스트 가교를 만듭니다. 마트료시카 표현 슬라이스(Matryoshka representation slices)를 통해 다중 스케일 일관성을 강제함으로써, 모델은 다양한 입도 수준에서 이상 편차를 포착합니다. 우리는 이상치 탐지를 정렬된 초구 상에서의 밀도 추정 문제로 정식화하고, 그래프 및 텍스트 임베딩 공간 모두에서 폰 미제스-피셔(von Mises-Fisher) 커널 밀도 추정기를 인스턴스화하는 구면 멀티모달 점수화(SMS)를 도입합니다. 이러한 확률론적 정식화는 고밀집 극한(high-concentration limit)에서 각도 기반 1-최근접 이웃 점수화를 복원하고, 실용적인 평균 k-최근접 이웃 점수 계산기에 이론적 동기를 부여하며, 구조적 및 의미론적 이상 신호의 원칙적인 융합을 제공합니다. 공유된 텍스트 임베딩 공간은 도메인 간 가교 역할도 수행합니다. 타깃 도메인 학습 데이터 없이도 타깃 도메인의 GraphDP를 인코딩하여 제로샷(zero-shot) 이상치 탐지를 수행하며, 소수의 정상 예시만으로 참조 세트 보정(reference-set calibration)을 통한 퓨샷(few-shot) 적응을 수행합니다. 프라이버시에 민감한 배포 환경을 위해, 우리는 프라이빗 타깃 참조와 무관하게 인코더를 고정한 상태로 유지하면서 그래프 레코드 차분 프라이버시(differential privacy)를 제공하는 유계 결합 그래프-텍스트 커널 요약으로 참조 세트 보정을 확장합니다. 12개의 벤치마크와 3개의 메타 도메인에 걸친 실험에서, GLASS는 최신 고급 GLAD 베이스라인들과 비교해 최고의 평균 AUROC 및 순위를 달성하며 효과적인 도메인 간 전이를 가능하게 합니다.
학술 출판 네트워크에 대한 시맨틱 접근법: OpenAlex 데이터 기반 문서 벡터 표현 및 하이브리드 구조적-시맨틱 융합
A Semantic Approach to the Academic Publishing Network: Document Vector Representations and Hybrid Structural-Semantic Fusion over OpenAlex Data
학술 출판 네트워크에 대한 구조적 그래프 분석은 엔티티 간의 위상학적 관계를 포착하지만 연구 저작물의 내용은 파악하지 못합니다. 본 연구는 기존 구조적 접근법을 바탕으로 시맨틱 층(layer)과 매개변수화된 구조적-시맨틱 융합을 통해 이를 보완합니다. 우리는 과학 문헌을 인용 정보 기반 벡터 임베딩(SPECTER2)으로 표현하고, 고유한 OpenAlex ID를 키로 하여 임베디드 벡터 데이터베이스에 저장함으로써 그래프 층과 직접 연결되도록 합니다. 또한 시맨틱 유사도(임베딩의 코사인 유사도)와 구조적 유사도(서지 결합)를 특정 태스크에 따라 값이 선택되는 조정 가능한 가중치(weight) 알파(alpha)로 결합하는 모듈형 후기 융합 함수를 정의합니다. VSB - Technical University of Ostrava 코퍼스를 대상으로 두 가지를 보여줍니다. 즉, 인용 정보 기반 임베딩은 TF-IDF 기준선(baseline)보다 전문가가 구축한 OpenAlex 주제 분류 체계와 더 잘 일치하며, 추천 활용 사례에서는 가용 데이터에 따라 구조적, 시맨틱 및 결합된 신호가 서로 다른 체계에서 정보를 전달한다는 점입니다. 여기서 하이브리드 융합은 보편적으로 더 우수한 방법이라기보다는 태스크에 맞추어 상호 보완적인 신호를 제어하기 위한 명시적 메커니즘입니다. 우리는 재현 가능한 워크플로와 함께 전체 접근법을 apnet 라이브러리의 오픈 소스 확장으로 공개합니다.
학습 기반 재봉 패턴 솔기 대응 재구성
Learning-based Seam Correspondence Reconstruction in Sewing Patterns
디지털 재봉 패턴은 일반적으로 명시적인 봉합(stitch) 주석 없이 분리된 2D 패널로 구성되어, 후속 3D 모델링이 노동 집약적인 전문가 지정에 의존하게 만든다. 본 논문에서는 2D 패널 기하 정보만으로 거친 수준의 패널 연결성과 세밀한 솔기 대응(seam correspondence)이라는 2단계 봉합(stitching) 정보를 재구성하는 그래프 기반 학습 프레임워크를 제안한다. 거친 수준에서는 해부학적 신체 영역과 연관된 패널 의미를 예측하여 패널 연결성을 추론하고, 신체 구조 및 의류 설계 관례와의 일관성을 강제한다. 재구성된 패널 그래프를 바탕으로, 그래프 메시지 전달(graph message passing)을 통해 국소 솔기 기하와 전역 의류 컨텍스트를 공동으로 인코딩하는 잠재 엣지 표현을 학습하여 패널 쌍 간의 세밀한 솔기 대응을 추론한다. 결과적으로 얻은 엣지 임베딩(embedding)은 이후 상세한 솔기 대응으로 디코딩된다. 본 방법은 다대일 대응, 패널 내부 솔기, 곡선 솔기를 포함한 복잡한 재봉 패턴 토폴로지를 지원한다. 실험 결과, 높은 봉합 정확도와 다양한 의류 스타일에 걸친 강한 일반화 성능을 보여준다.
동적 그래프의 노드 친화도를 이용한 기관 주식 보유 예측
Institutional Equity Holdings Prediction Using Node Affinities of Dynamic Graphs
SEC Form 13F 제출 자료에 공개된 기관 주식 보유는 대형 투자 운용사의 포트폴리오 결정에 대한 풍부한 시계열 기록을 제공한다. 그러나 공시 지연, 보고 노이즈, 기관 행동의 강한 지속성(persistence) 때문에 미래 배분을 예측하고 미래 수요를 모델링하는 것은 여전히 어렵다. 우리는 시간적 그래프 머신러닝을 사용하여 이러한 작업을 위한 최초의 벤치마크를 도입하며, 전처리된 제출 자료에서 추출한 운용사와 증권의 이산 시간(temporal) 이분 그래프(bipartite graph)에서 보유 예측을 노드 친화도(node affinity) 예측, 즉 포트폴리오 비중 예측으로 정식화한다. 99명의 운용사와 S&P 500 지수(2013--2025년 48분기에 걸친 503개 증권, 209,351개의 시간적 엣지)로 구성된 샘플링된 데이터셋에서, Virtual State를 사용하는 Node Affinity 예측 모델(NAVIS)은 특징(features) 포함 시 최첨단 테스트 Normalized Discounted Cumulative Gain(NDCG) 0.9127(미포함 시 0.9121)을 달성하여, 모든 동적 그래프 표현 학습 경쟁 모델을 상당한 마진으로, 모든 휴리스틱 방법을 능가한다. 주목할 만하게, 단순한 지수 이동 평균(Exponential Moving Average) 기준선이 0.8882를 달성하여 NAVIS를 제외한 모든 동적 그래프 모델과 Persistent Forecast(0.8891)를 제외한 모든 휴리스틱을 능가하며, 이는 기관 포트폴리오의 강한 평활성(smoothness)과 지속성을 부각한다. 도메인 특화 노드 특징은 극히 미미한 향상(<1.2%)만 제공하며, 이는 13F 소유권 그래프의 시간적 및 구조적 신호가 이미 예측 가능한 정보의 대부분을 포착하고 있음을 시사한다. 실제 13F 데이터에 대해 특징 유무 모두에서 노드 친화도 예측 설정 하에 Temporal Graph Benchmark(TGB) 모델 무리를 벤치마킹함으로써, 본 연구는 보유 예측 및 포트폴리오 배분에서 시간적 그래프 머신러닝을 위한 재현 가능한 기반을 제공한다.
지식 그래프와 그래프 신경망의 만남: 종합 서베이
Knowledge Graphs Meet Graph Neural Networks: A Comprehensive Survey
그래프 신경망(GNN)은 그래프 구조 데이터를 모델링하는 고유한 능력으로 인해 지식 그래프(KG) 분야에서 강력한 패러다임으로 부상하였다. 그러나 지식 그래프 기술 파이프라인 전반에 걸친 GNN 기반 방법론에 대한 체계적인 리뷰는 아직 부족한 실정이다. 이러한 공백을 해소하기 위해, 본 논문에서는 GNN 기반 지식 그래프 기술에 대한 새로운 2단계 분류 체계를 제안한다: KG 기술 파이프라인 관점과 GNN 기반 관점이 그것이다. 구체적으로, 지식 그래프 기술 파이프라인은 지식 그래프 구축, 지식 그래프 임베딩, 지식 추론, 지식 그래프 응용을 포함한다. 한편, GNN 기반 관점은 GCN, GAT, HGNN 등의 GNN 모델을 활용하여 지식 그래프 기술을 새롭게 범주화한다. 이어서 지식 그래프 생애주기 내 다양한 태스크의 특성에 기반하여 GNN 기술의 이점을 분석한다. 나아가 제안된 분류 체계에 따라 지식 그래프를 위한 다양한 GNN 기반 모델을 상세히 검토하고, 각각의 강점과 한계를 정리한다. 마지막으로, 아직 해결되지 않은 과제들을 논의하고 향후 연구를 위한 유망한 방향을 제시한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.