이 논문은 하이퍼그래프 기반 학습 모델인 TF-HNN을 제안한다. 기존 하이퍼그래프 신경망(HNN)은 메시지 전달 모듈(MP-Module)을 통해 하이퍼그래프 구조 정보를 활용하여 노드 특징을 생성하지만, 이 과정에서 계산 집약적인 학습 과정이 필요하다는 한계가 있다.
TF-HNN은 이러한 한계를 해결하기 위해 하이퍼그래프 구조 정보 처리를 학습 단계에서 분리하는 접근법을 제안한다. 구체적으로 TF-HNN은 데이터 전처리 단계에서 사전 계산된 훈련-자유 메시지 전달 모듈(TF-MP-Module)을 사용하여 노드 특징을 생성한다. 이를 통해 TF-HNN은 기존 HNN 대비 훨씬 더 효율적인 학습이 가능하다.
논문에서는 TF-HNN의 효율성과 효과성을 이론적으로 분석한다. 첫째, TF-HNN은 기존 HNN 대비 훨씬 더 낮은 학습 복잡도를 가진다. 둘째, TF-HNN은 기존 HNN과 동일한 수준의 하이퍼그래프 구조 정보를 활용하여 노드 특징을 생성한다. 셋째, TF-HNN은 깊은 모델에서도 과도한 평활화 문제에 강건하다.
실험 결과, TF-HNN은 노드 분류와 하이퍼링크 예측 작업에서 기존 최신 HNN 모델 대비 경쟁력 있는 성능을 보이면서도 월등한 학습 효율성을 보여준다. 특히 대규모 하이퍼그래프 벤치마크 데이터셋인 Trivago에서 TF-HNN은 최고 성능 모델 대비 10% 높은 정확도를 달성하면서도 학습 시간은 1%에 불과했다.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문