본 논문은 그래프의 전체적인 특성을 유지하면서 그래프를 축소하는 방법을 제시합니다. 기존의 그래프 축소 방법들은 특정 downstream task 없이 edge 제거(sparsification) 또는 node 병합(coarsening)을 비지도 학습 방식으로 수행하는 것과 달리, 본 논문에서는 node 또는 edge에 정의된 Ising model을 사용하여 그래프 구조를 subsampling하는 접근법을 제안합니다. Graph Neural Network를 이용하여 Ising model의 외부 자기장을 학습하며, 특정 downstream task를 위해 그래프를 축소하는 방법을 end-to-end 방식으로 학습합니다. 이때, downstream task를 위한 미분 가능한 손실 함수가 필요하지 않습니다. 이 방법의 다양성을 이미지 분할, 그래프 분류의 설명 가능성, 3D 형태 sparsification, 그리고 희소 근사 행렬 역행렬 결정 등 네 가지 응용 분야에서 보여줍니다.
