ㅁ 그래프 데이터 증강

ㅇ 정의:
그래프 데이터 증강은 그래프 데이터를 변형하여 학습 데이터의 다양성을 높이고 모델의 일반화 성능을 향상시키는 기술입니다.

ㅇ 특징:
– 그래프 구조를 유지하면서도 데이터의 변형을 통해 학습 데이터셋을 확장합니다.
– 노드, 엣지, 속성 등 다양한 요소를 변형할 수 있습니다.
– 데이터의 본질적인 의미를 유지해야 하므로 세밀한 설계가 필요합니다.

ㅇ 적합한 경우:
– 그래프 기반 머신러닝에서 데이터 부족으로 인해 모델의 성능이 제한되는 경우.
– 다양한 그래프 구조를 학습해야 하는 상황.

ㅇ 시험 함정:
– 그래프 데이터 증강이 항상 성능을 향상시키는 것은 아니라는 점.
– 데이터의 의미를 왜곡하면 오히려 성능이 저하될 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 그래프 데이터 증강은 그래프 구조를 무조건 변경하는 기법이다. (X)
2. 그래프 데이터 증강은 데이터의 다양성을 높이기 위한 기법이다. (O)

================================

1. 엣지 삭제

ㅇ 정의:
그래프의 엣지를 제거하여 그래프 구조를 변형하는 데이터 증강 기법입니다.

ㅇ 특징:
– 그래프의 연결성을 약화시키는 방식으로 작동합니다.
– 데이터의 본질적 의미를 유지하는 선에서 엣지를 선택적으로 삭제해야 합니다.
– 노드 간의 관계를 단순화하여 모델이 다양한 패턴을 학습하도록 돕습니다.

ㅇ 적합한 경우:
– 그래프의 연결성이 너무 강해 데이터의 다양성이 부족한 경우.
– 노드 간의 관계를 단순화하여 모델의 과적합을 방지하려는 경우.

ㅇ 시험 함정:
– 모든 엣지를 삭제해도 그래프 데이터 증강이 성공적일 것이라는 오해.
– 엣지 삭제가 항상 모델 성능을 향상시키는 것은 아니라는 점.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 엣지 삭제는 그래프 데이터 증강에서 가장 중요한 기법이다. (X)
2. 엣지 삭제는 그래프 구조를 단순화하여 데이터의 다양성을 높이는 기법이다. (O)

ㅁ 추가 학습 내용

그래프 데이터 증강의 주요 기법을 학습할 때 다음 내용을 체계적으로 정리하여 학습하는 것이 좋습니다.

1. **노드 속성 변경**:
– 노드의 속성을 수정하거나 추가하여 그래프의 구조적 또는 의미적 변화를 유도하는 기법입니다.
– 예를 들어, 노드의 특성을 무작위로 변경하거나 특정 규칙에 따라 변환할 수 있습니다.
– 학습 시, 속성 변경이 그래프의 전체적 특성에 미치는 영향을 분석하는 것이 중요합니다.

2. **서브그래프 추출**:
– 전체 그래프에서 특정 기준에 따라 부분 그래프를 추출하는 기법입니다.
– 서브그래프는 특정 노드와 엣지 집합으로 구성되며, 학습 데이터의 다양성을 높이는 데 사용됩니다.
– 추출 기준으로는 중심성, 연결성, 또는 랜덤 선택 등이 활용됩니다.

3. **엣지 삭제 기법**:
– 그래프에서 특정 엣지를 제거하여 구조를 변형하는 기법입니다.
– 삭제 비율: 전체 엣지 중 얼마나 많은 비율을 삭제할지 결정하는 요소입니다. 일반적으로 5%, 10% 등 다양한 비율을 실험적으로 설정합니다.
– 삭제 기준: 임의 삭제, 특정 중심성에 기반한 삭제, 또는 그래프의 기능적 중요도에 따른 삭제 방식이 있습니다.
– 학습 시, 삭제 비율과 기준이 그래프의 특성과 성능에 미치는 영향을 분석해야 합니다.

이 내용을 학습한 뒤, 각 기법의 장단점과 실질적인 응용 사례를 함께 검토하면 시험 대비에 더욱 효과적일 것입니다.