ㅁ 그래프 데이터 증강

ㅇ 정의: 그래프 데이터를 보다 풍부하게 만들기 위해 기존 데이터를 변형하거나 새로운 데이터를 생성하는 기법.

ㅇ 특징: 그래프 구조를 유지하면서도 학습 데이터의 다양성을 높일 수 있음. 노드, 엣지, 서브그래프 수준에서 다양한 증강 기법이 사용됨.

ㅇ 적합한 경우: 그래프 신경망(GNN)의 성능 향상을 위해 데이터가 부족하거나 과적합 문제를 완화할 필요가 있을 때.

ㅇ 시험 함정: 그래프 구조를 왜곡하지 않으면서도 효과적인 증강을 수행해야 함. 단순한 변형만으로는 성능 향상이 미미할 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: 그래프 데이터 증강은 노드, 엣지, 서브그래프 수준에서 모두 적용 가능하다.
– X: 그래프 데이터 증강은 노드 수준에서만 적용되며, 엣지나 서브그래프 수준에서는 적용되지 않는다.

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

1. 랜덤 워크 샘플링

ㅇ 정의: 그래프에서 임의의 노드에서 출발하여 확률적으로 다음 노드를 선택하며 생성된 경로를 통해 데이터를 샘플링하는 기법.

ㅇ 특징: 그래프의 지역적 구조를 학습하는 데 유리하며, 노드 간의 관계를 확률적으로 반영함. 노드 임베딩 학습에 자주 사용됨.

ㅇ 적합한 경우: 대규모 그래프에서 특정 노드의 이웃 정보를 효율적으로 샘플링하여 모델 학습에 활용하고자 할 때.

ㅇ 시험 함정: 랜덤 워크의 길이와 시작 노드 선택이 성능에 큰 영향을 미침. 과도한 길이는 계산 비용을 증가시킬 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: 랜덤 워크 샘플링은 그래프의 지역적 구조를 학습하는 데 적합하다.
– X: 랜덤 워크 샘플링은 그래프의 전체 구조를 항상 정확히 반영한다.

ㅁ 추가 학습 내용

그래프 데이터 증강 기법과 관련된 내용을 다음과 같이 정리할 수 있습니다.

1. 서브그래프 추출:
– 특징: 그래프에서 특정 부분만을 추출하여 새로운 그래프를 생성하는 기법. 노드와 엣지의 부분 집합을 선택하여 원래 그래프의 구조적 특성을 보존하면서도 축소된 데이터를 얻을 수 있음.
– 활용 사례: 대규모 그래프 데이터의 효율적 분석, 특정 관심 영역에 대한 집중 분석, 그래프 샘플링 및 데이터 축소.

2. 노드 속성 변형:
– 특징: 노드의 속성 값을 변경하거나 노드 속성을 추가, 삭제 또는 왜곡하여 데이터 다양성을 높이는 기법.
– 활용 사례: 노이즈에 강한 모델 학습, 데이터 불균형 문제 해결, 그래프 기반 머신러닝 모델의 일반화 성능 향상.

3. 엣지 추가/삭제:
– 특징: 그래프에서 엣지를 임의로 추가하거나 삭제하여 그래프의 구조를 변화시키는 기법. 그래프의 연결성을 조정하거나 새로운 패턴을 생성할 수 있음.
– 활용 사례: 그래프의 희소성 문제 해결, 모델의 구조적 변화에 대한 민감도 테스트, 그래프 데이터의 다양성 확보.

4. 랜덤 워크 샘플링 기법:
– 메타패스 기반 랜덤 워크:
– 특징: 특정 메타패스(예: 노드 유형 간의 특정 연결 패턴)를 따라 그래프를 탐색하는 방법. 이종 그래프에서 주로 사용됨.
– 활용 사례: 이종 네트워크에서의 의미 있는 서브그래프 추출, 관계 중심의 그래프 분석.
– 딥워크(DeepWalk):
– 특징: 임의의 랜덤 워크를 통해 그래프를 탐색하고, 그 결과를 Word2Vec과 같은 임베딩 기법으로 학습하여 노드 임베딩을 생성.
– 활용 사례: 노드 분류, 그래프 클러스터링, 추천 시스템 등에서의 사용.

5. 메타패스 기반 랜덤 워크와 딥워크의 차이점:
– 메타패스 기반 랜덤 워크는 이종 그래프에서 특정 유형의 관계를 강조하여 탐색하는 데 중점을 둠.
– 딥워크는 그래프의 구조적 특성을 일반적으로 학습하는 데 초점이 맞춰져 있으며, 주로 동질 그래프에서 사용됨.

이러한 기법과 알고리즘의 특징과 활용 사례를 이해하고 비교 분석하면 시험 대비에 효과적입니다.