본 논문은 그래프 신경망에서 관계 정보를 학습하는 문제를 다룬다. 기존의 그래프 구조 학습 방법들은 예측 작업과 함께 잠재적인 관계 정보를 학습하지만, 점 예측 손실을 최소화하는 것만으로는 잠재 관계 정보와 그 불확실성을 제대로 학습할 수 없다는 점을 지적한다. 이에 반해, 본 논문에서는 확률적 모델 출력에 대한 적절한 손실 함수를 사용하면 잠재 그래프의 분포 학습과 목표 변수의 최적 예측이라는 두 가지 작업을 동시에 해결할 수 있음을 증명하고, 이를 위한 샘플링 기반 방법을 제안한다. 실험 결과는 이론적 주장을 뒷받침하고 제안된 방법의 효과를 보여준다.
