본 논문은 그래프 표현 학습(GRL)에서 자가 지도 학습(SSL) 기법을 활용하여 고차원 그래프 데이터를 저차원 벡터로 효과적으로 인코딩하는 새로운 방법인 SubGEC(Subgraph Gaussian Embedding Contrast)을 제안합니다. SubGEC은 서브그래프를 구조화된 가우시안 공간에 매핑하는 서브그래프 가우시안 임베딩 모듈을 도입하여 입력 서브그래프의 특징을 보존하면서 제어된 분포를 갖는 서브그래프를 생성합니다. 그리고 Wasserstein 및 Gromov-Wasserstein 거리를 이용하여 서브그래프 간 유사성을 효과적으로 측정함으로써 대조 학습 과정의 강건성을 향상시킵니다. 다양한 벤치마크 실험을 통해 기존 최첨단 기법들에 비해 우수하거나 경쟁력 있는 성능을 보임을 확인했습니다.
