본 논문은 방향성 그래프의 링크 예측 문제에 대한 새로운 프레임워크와 벤치마크를 제시합니다. 기존의 임베딩 방법과 그래프 신경망(GNN) 기반 방법들의 표현력을 분석하고, 이중 임베딩과 디코더 설계의 영향을 강조합니다. 현존 벤치마크의 한계를 극복하기 위해 포괄적인 커버리지, 표준화된 평가, 그리고 모듈식 확장성을 갖춘 새로운 벤치마크 DirLinkBench를 소개합니다. DirLinkBench를 사용한 실험 결과, 기존 방법들의 성능이 부족함을 보이고, DiGAE가 다른 기준 모델보다 우수한 성능을 보임을 확인합니다. DiGAE의 이론적 재검토를 통해 그래프 합성곱이 무방향 이분 그래프 상의 GCN과 일치함을 보이고, 이러한 통찰력을 바탕으로 최첨단 성능을 달성하는 새로운 Spectral Directed Graph Auto-Encoder (SDGAE)를 제안합니다. 마지막으로, 방향성 링크 예측에 영향을 미치는 주요 요인을 분석하고, 이 분야의 미해결 과제를 제시합니다.
