본 논문은 그래프 표현 학습에서 라벨링된 데이터 부족 문제를 해결하기 위해 다차원 대조 학습을 활용한 새로운 그래프 표현 학습 모델인 GRE2-MDCL을 제안합니다. GRE2-MDCL은 다중 헤드 어텐션 GNN을 기반으로 한 삼중 네트워크 구조를 가지며, SVD와 LAGNN을 이용하여 그래프를 지역적 및 전역적으로 증강합니다. 또한, 네트워크 간, 뷰 간, 이웃 간 대조를 통합한 다차원 대조 손실 함수를 사용하여 모델을 최적화합니다. Cora, Citeseer, PubMed 데이터셋에서의 실험 결과, GRE2-MDCL은 기존 GCL 모델들보다 우수한 성능(각각 82.5%, 72.5%, 81.6%의 정확도)을 달성하며, 시각화를 통해 클러스터 내 응집력 향상 및 클러스터 간 경계 명확화를 보여줍니다.
