본 논문은 다양한 도메인의 그래프에서 우수한 일반화 성능을 달성하는 것을 목표로, 단일 GNN 모델을 이용한 교차 도메인 사전 학습 프레임워크인 "one model for one graph"를 제안합니다. 기존 GNN 접근 방식이 도메인 간 차이가 큰 그래프 패턴을 포착하는 데 어려움을 겪는 한계를 극복하기 위해, 각 데이터셋에 대응하는 전문가 모델들의 집합을 사전 학습합니다. 새로운 그래프에 대한 추론 시, 게이팅 함수는 부정적 전이를 피하면서 이전 모델 지식을 효과적으로 통합하기 위해 전문가 모델의 하위 집합을 선택합니다. 링크 예측 및 노드 분류 작업에 대한 광범위한 실험을 통해 제안된 방법의 우수성을 입증합니다.
시사점, 한계점
•
시사점:
◦
도메인 간 차이가 큰 그래프에서도 우수한 일반화 성능을 보이는 GNN 모델을 제공합니다.
◦
단일 GNN 모델을 사용하여 다양한 도메인의 그래프 패턴을 효과적으로 포착할 수 있습니다.
◦
게이팅 함수를 통해 부정적 전이를 방지하고 이전 모델 지식을 효과적으로 활용합니다.
◦
링크 예측 및 노드 분류 작업에서 기존 방법보다 우수한 성능을 보입니다.
•
한계점:
◦
제안된 방법의 계산 비용이 높을 수 있습니다. (전문가 모델들의 집합을 사전 학습해야 함)
◦
게이팅 함수의 설계가 성능에 큰 영향을 미칠 수 있습니다. 최적의 게이팅 함수를 찾는 것이 중요한 과제입니다.
◦
다양한 도메인의 그래프 데이터셋을 확보하는 것이 중요하며, 데이터셋의 품질에 따라 성능이 영향을 받을 수 있습니다.
