본 논문은 그래프 편집 거리(GED)를 근사하는 새로운 그래프 신경망 프레임워크를 제시합니다. 기존의 신경망 기반 GED 근사 방법들이 단위 비용 편집 연산을 가정하는 한계를 극복하기 위해, 지도 학습과 비지도 학습 모두를 사용하는 프레임워크를 제안합니다. 특히, 비지도 학습 설정에서는 기울기 기반 자기 조직화 메커니즘을 사용하여 정답 거리 없이 최적화를 수행합니다. 또한, 일반화된 가법 모델(GAM)을 통합하여 문맥을 고려한 편집 비용을 유연하고 해석 가능하게 학습합니다. 실험 결과, 제안된 방법은 최첨단 기법들과 유사한 성능을 보이면서 적응성과 해석성을 크게 향상시켰음을 보여줍니다. 학습된 비용 함수는 복잡한 그래프 구조에 대한 통찰력을 제공하여, 분자 분석 및 구조 패턴 발견과 같은 분야에서 특히 유용합니다.
