확장된 단일 대형그래프를 위한 효율적 그래프 합성곱 신경망 업데이트
Efficient Graph Convolutional Networks Update for Expanded Single Large Graph
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
그래프 신경망(Graph Neural Networks, GNN)은 일반적으로 그래프의 변화가 없는 정적 그래프를 학습한다. 그러나 실생활에서 그래프는 새로운노드(node)와 엣지(edge)의 추가로 인해 확장되고, 이를 모델에 반영하기 위해 전체 그래프를 사용하여 모델을 재학습해야 한다. 전체 재학습(FullRetraining)의 비효율성을 개선하기 위해 사용되는 파인튜닝(Fine-Tuning) 기법 또한 그래프 신경망의 메시지 전달(message passing) 특성으로인해 연산 효율 향상이 제한적이며 기존 노드의 성능이 저하되는 문제가 발생한다. 따라서 본 논문에서는 기존 방법의 한계를 개선하는 확장된단일 대형그래프를 위한 효율적 그래프 합성곱 신경망(Graph Convolutional Network, GCN) 업데이트 기법을 제안한다. 제안 방법에서는 그래프신경망의 메시지 전달을 사전학습에서 계산된 정보와 새롭게 계산해야 할 정보로 분리하여 연산 효율성을 극대화하고, 확장된 그래프의 전체 노드를학습 대상으로 설정하여 기존 노드에 대한 성능 저하를 개선한다. 실제 데이터를 사용한 실험 결과를 통해 제안하는 방법이 전체 재학습과 파인튜닝에비해 학습 시간을 단축하면서도, 전체 재학습과 유사한 수준의 성능을 유지함을 확인하였다.
Abstract
Graph Neural Networks(GNNs) are typically trained on static graphs whose structures remain unchanged. However in real-worldscenarios, graphs expand as new nodes and edges are added, requiring the model to be retrained on the entire graph to reflect theseupdates. The fine-tuning method, often used to mitigate the inefficiency of full retraining, also faces limitations when applied to GNNs;due to the message passing mechanism, improvements in computational efficiency are restricted, and the performance on original nodesoften declines. To address these challenges, this paper proposes an efficient Graph Convolutional Networks(GCN) update for expandedsingle large graphs. The proposed method maximizes computational efficiency by decomposing the message passing operation into twocomponents: pre-computed information from the pre-training and newly required computations. Furthermore it alleviates performancedegradation on original nodes, a problem by setting all nodes in the expanded graph as the training target. Experimental results onreal-world datasets demonstrate that our proposed method significantly reduces training time compared to full retraining and fine-tuning,while maintaining a performance level comparable to that of full retraining.