ㅁ 그래프 증강 기법

ㅇ 정의:
그래프의 구조를 변경하여 학습 데이터의 다양성을 확보하고 모델의 일반화 성능을 높이는 방법 중 하나로, 노드 간의 엣지 연결을 재구성하는 기법.

ㅇ 특징:
– 기존 엣지를 제거하거나 새로운 엣지를 추가하여 그래프의 연결 구조를 변화시킴
– 무작위(Random) 또는 특정 규칙(예: 노드 유사도 기반)에 따라 수행 가능
– 데이터 편향을 완화하고 과적합을 방지하는 데 도움

ㅇ 적합한 경우:
– 그래프 데이터가 제한적일 때 학습 데이터 다양성 확보 필요
– 네트워크 구조 변화에 강건한 모델을 학습시키고자 할 때
– 노드 간 관계 변화에 따른 모델 반응을 테스트할 때

ㅇ 시험 함정:
– 단순히 엣지 수를 늘리는 것이 목적이 아님 → 구조적 다양성 확보가 핵심
– 모든 그래프에 무조건 적용 시 성능 저하 가능 (특히 구조가 중요한 도메인)
– 노드 특성(feature) 변화 없이 구조만 변형하는 점을 혼동하기 쉬움

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Edge Rewiring은 그래프의 연결 구조를 변경하여 데이터 다양성을 확보하는 기법이다.”
X: “Edge Rewiring은 노드 특성을 무작위로 변경하여 데이터 다양성을 확보하는 기법이다.”

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

1. Edge Rewiring

ㅇ 정의:
그래프의 기존 엣지 연결을 다른 노드 쌍으로 재배치하거나 새로운 엣지를 추가/제거하는 방법으로, 구조적 변화를 통해 데이터 증강을 수행하는 기법.

ㅇ 특징:
– 무작위 재배선(Random Rewiring) 또는 규칙 기반 재배선(Rule-based Rewiring) 가능
– 그래프의 밀도, 연결성, 클러스터링 계수 등에 영향을 줄 수 있음
– 모델이 다양한 구조적 패턴을 학습하도록 유도

ㅇ 적합한 경우:
– 소셜 네트워크, 생물학적 네트워크 등에서 구조적 변화를 반영한 학습 필요 시
– 그래프 신경망(GNN) 모델의 일반화 성능 향상 목적

ㅇ 시험 함정:
– Rewiring은 feature augmentation이 아닌 structure augmentation임을 구분해야 함
– 엣지 수의 변화가 항상 있는 것은 아님 (재배선만 하는 경우 수는 동일)

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Edge Rewiring은 노드 간 연결 관계를 변경하여 그래프 구조를 변형하는 기법이다.”
X: “Edge Rewiring은 노드 속성을 변경하여 그래프 구조를 변형하는 기법이다.”

ㅁ 추가 학습 내용

Edge Rewiring에는 Random Edge Rewiring과 Similarity-based Rewiring이 있다.
Random Edge Rewiring은 엣지를 완전히 무작위로 재배선하여 예측 불가능한 구조를 만든다.
Similarity-based Rewiring은 노드의 특성이나 임베딩 유사도를 기반으로 새로운 연결을 형성한다.

Rewiring은 그래프의 연결성(Connectivity), 평균 경로 길이(Average Path Length), 클러스터링 계수(Clustering Coefficient)에 영향을 미친다.
노드 수는 Rewiring 과정에서 변하지 않으며, 시험에서 “Edge Rewiring은 그래프의 노드 수를 변경한다”와 같은 함정 문장이 출제될 수 있으므로 주의해야 한다.