- 그래프 신경망의 차수 편향 문제 해결 방법 개발, 그래프 신경망 성능 향상 확인

- 네트워크 과학 분야 최고 국제학술지 ‘IEEE TNSE (IF=6.7, 해당 분야 상위 3.3%)’에 연구 성과 게재

△ 차수 편향 문제 해결을 위해 개발된 DegFairGT 모델의 구조와 학습 가능한 구조적 증강 및 구조적 자기 어텐션 메커니즘의 개요도

  가톨릭대학교 인공지능학과 이오준 교수와 네트워크과학 연구실(Network Science Lab) 소속 황반튀 박사과정생이 차세대수치예보모델개발사업단(KIAPS) 전현주 연구원과의 공동연구를 통해 그래프 신경망(GNN)의 대표적 한계인 ‘차수 편향(Degree Bias) 문제’를 효과적으로 극복하는 기술을 개발했다.

  이번 연구 성과는 네트워크 과학 분야 최고 권위 국제학술지인 ‘IEEE Transactions on Network Science and Engineering (IF=6.7, 해당 분야 상위 3.3%)’에 게재되며 우수성을 인정받았다. 가톨릭대 인공지능학과 네트워크과학 연구실은 이번 연구로 AAAI 2024, AAA1 2025에 이어 네트워크 과학 및 그래프 신경망 분야에 대한 세계적 수준의 연구 역량을 다시 한번 인정받았다.

  그래프 신경망은 연결된 노드끼리 유사한 특성을 갖는다는 동류성 원칙에 기반해 메시지를 전달한다. 그러나 실제 그래프 데이터에서는 차수 분포가 불균형해 고차수 노드에 메시지가 과도하게 집중되고, 저차수 노드는 정보 부족으로 성능이 저하되는 차수 편향 문제가 빈번히 발생한다.

  이에 연구팀은 학습 가능한 구조적 증강 및 구조적 자기 어텐션 메커니즘을 활용해 차수 편향을 완화하는 ‘DegFairGT(Degree Fairness Graph Transformer)’ 모델을 제안했다. 이 모델은 비연결 노드 간 구조적 유사성을 발견해 저차수 노드에 추가 메시지를 전달함으로써 저차수 노드의 과소표현 문제를 해결한다. 또한, 구조적 유사성이 낮은 연결은 제거해 고차수 노드의 과대표현 문제를 완화한다.

  DegFairGT 모델의 핵심은 같은 역할을 수행하는 비연결 노드 간 구조적 유사성을 능동적으로 학습해, 기존 연결 관계를 유지하면서도 추가적인 유용 정보를 내포한 메시지를 집계하는 데 있다. 또한, 그래프 구조의 안정성을 유지하기 위해 노드 간 정보 전이확률 재건에 기반을 둔 정규화 방식을 도입해 구조적 증강 과정에서 발생하는 노이즈 메시지를 최소화했다.

  실험 결과, 제안된 DegFairGT 모델은 6개 데이터셋을 활용한 다양한 실험에서 기존 최첨단 방법 대비 차수 편향 완화, 노드 분류, 노드 군집화 성능 모두 우수한 결과를 보였다. 이를 통해 차수 편향 문제를 근본적으로 개선하고 그래프 신경망의 성능을 균형 있게 향상시킬 수 있는 방법임을 입증했다.

  가톨릭대 인공지능학과 이오준 교수는 “차수 편향은 대부분의 실세계 그래프 데이터에서 공통적으로 나타나는 주요 과제”라며 “이번 연구는 그래프 신경망 기술의 보급과 상용화에 크게 기여할 것으로 기대된다.”고 밝혔다.