그래프 표현 학습은 그래프 구조를 효과적으로 보존하여 노드를 벡터 표현으로 매핑하는 것을 목표로 합니다. 이 연구는 그래프 데이터 증강과 다차원 대조 학습을 통해 그래프 구조와 특징을 더 잘 포착할 수 있는 새로운 모델 GRE2-MDCL을 제안합니다.
다양한 그래프 인코더를 활용하여 그래프의 여러 관점을 관찰하고, 이를 통해 그래프의 불변성을 학습하는 새로운 협업 기반 그래프 대조 학습 프레임워크를 제안한다.
그래프 순위 대조 학습은 false negative 샘플의 문제를 해결하고 효율적인 그래프 표현 학습을 가능하게 하는 방법이다.
깊은 그래프 표현 학습의 중요성과 잠재력