그래프 변환기에 대한 확장 가능하고 효과적인 대안

그래프 신경망(GNN)은 그래프 표현 학습에서 인상적인 성능을 보여주었지만, 표현력의 한계로 인해 장거리 의존성 포착에 어려움을 겪습니다. 이를 해결하기 위해 자기 주의 메커니즘을 활용하여 쌍 노드 관계를 효과적으로 모델링하는 그래프 변환기(GT)가 도입되었습니다. 하지만 GT는 그래프 내 노드 수에 대해 이차 복잡도를 가지므로 대규모 그래프에 적용하기 어렵습니다. 본 연구에서는 지역 전파와 전역 합성곱을 활용해 의사 선형 시간 내에 지역 및 전역 의존성을 효과적으로 포착하는, GT에 대한 확장 가능하고 효과적인 대안인 그래프 강화 문맥 연산자(GECO)를 제안합니다. 합성 데이터셋에서의 연구 결과 GECO는 200만 노드 그래프에서 최적화된 주의 메커니즘에 비해 169배의 속도 향상을 달성함을 보여주었습니다. 다양한 벤치마크에 대한 추가 평가에서는 전통적인 GT가 메모리 및 시간 제약에 직면하는 대규모 그래프에 대해 GECO가 확장 가능함을 입증했습니다. 특히 GECO는 지속적으로 비교 대상보다 동등하거나 우수한 품질을 달성하며 최고 성능을 최대 4.5% 향상시키고, 대규모 그래프 학습을 위한 확장 가능하고 효과적인 솔루션을 제공합니다.