AI를 위한 필수 수학

385

Chapter 9 -

그래프 모델

예를 들어 단백질 데이터셋 (

PROTEINS

)에는 각각 그래프로 표현된 화합물 모음이 있고 이들

이 효소인지 아닌지 레이블이 지정되어 있다. 그래프 학습 모델의 경우 노드, 엣지, 피처, 그래

프 구조, 데이터셋의 각 그래프에 대해 레이블을 입력으로 주어 단일 노드 표현이 아니라 전체

그래프 표현 또는 임베딩을 생성하게 된다.

9.9.3

클러스터링 및 커뮤니티 감지

그래프에서 클러스터링은 네트워크 내에서 테러 조직과 같은 커뮤니티나 그룹을 발견할 수 있

는 중요한 작업이다. 노드 및 그래프 표현식을 생성한 다음 이를

k

-평균 클러스터링과 같은 기

존의 클러스터링 방법에 입력하여 구현할 수 있다. 또 다른 방법으로는 클러스터링의 목표에

맞게 설계하여 노드와 그래프 표현을 만드는 것이다. 이러한 방법에는 인코더-디코더 방식의

설계나 어텐션 메커니즘이 사용될 수 있다. 추가적인 다른 방법으로는 스펙트럼 방법이 있다.

이는 그래프의 라플라시안 행렬의 고유값을 활용한다는 의미다. 그래프가 아닌 데이터의 경우

클러스터링에 주성분 분석이 주로 활용되며 데이터의 특이값에 의존하는 스펙트럼 방식이다.

고유값을 계산하는 것은 항상 비용이 많이 드는 작업이므로 이를 피할 수 있는 방법을 찾는 것

은 언제나 목표가 된다. 그래프의 경우 최대 유량 최소 절단과 같은 그래프 이론 방법을 사용할

수 있다 (이 방법은

Chapter

9

의 후반부에서 살펴본다 ). 각 방법마다 장단점이 있는데 어떤 방

법은 오랜 시간 동안 ...