본 논문은 그래프 군집화와 같은 구조 관련 비지도 학습 과제에서 기존 그래프 대조 학습(GCL) 알고리즘의 성능 저하 문제를 해결하기 위해, 군집 정보 학습과 노드 표현 학습을 동시에 수행하는 CueGCL(Cluster-aware Graph Contrastive Learning Framework) 프레임워크를 제안합니다. 특히, 비지도 학습 시나리오를 위한 개인화된 자기 학습(PeST) 전략을 설계하여 정확한 군집 수준의 개인화된 정보를 포착하고, 클래스 충돌 및 불공정성을 완화합니다. 또한, 정렬된 그래프 군집화(AGC)를 통해 일관성 있는 노드 임베딩을 얻고, 이론적 효과를 증명하여 명확하게 구분되는 군집 구조를 갖는 임베딩 공간을 생성함을 보였습니다. 다섯 개의 벤치마크 데이터셋에 대한 실험 결과, CueGCL이 최첨단 성능을 보임을 확인했습니다.
