본 논문은 여러 그래프에서 해당하는 노드를 식별하는 문제인 그래프 정렬에 대한 새로운 프레임워크를 제시합니다. 기존의 비지도 학습 방식은 노드 특징을 잠재 표현으로 임베딩하여 그래프 간 비교를 수행했지만, 노드 구별 능력 저하 및 잠재 공간의 정렬 불일치와 같은 문제점을 겪었습니다. 본 연구는 노드 구별 능력을 향상시키고 잠재 공간 간의 기하학적 일관성을 강화하는 프레임워크를 제안합니다. 이 프레임워크는 구조를 인식하고 구별력이 높은 임베딩을 생성하기 위해 저역 통과 및 고역 통과 스펙트럼 필터를 결합한 이중 통과 인코더를 사용합니다. 또한, 잠재 공간의 정렬 불일치를 해결하기 위해 그래프 임베딩 간의 전단사 및 등거리 변환을 학습하는 기하학적 인식 기능 맵 모듈을 통합하여 서로 다른 표현 간의 일관된 기하학적 관계를 보장합니다. 그래프 벤치마크와 다양한 사전 훈련된 모델을 사용한 시각-언어 벤치마크에 대한 실험을 통해, 제안된 방법이 기존의 비지도 학습 기반 정렬 방법보다 우수한 성능을 보이며 구조적 불일치에 대한 견고성을 입증했습니다. 또한, 그래프 영역을 넘어 시각 및 언어 표현의 비지도 정렬을 가능하게 함을 보여주었습니다.
