The structural characteristics of a graph, such as connectivity, are important factors that determine its properties. My thesis focuses on self-supervised learning methods and generative models to explicitly learn the structural characteristics of graphs.
Firstly, we propose a self-supervised learning method that can discretize the embedding space depending on the discrete graph structure. The proposed method enables the discrimination between valid and invalid graphs and explicitly learns the differences in graph connectivity. Through experiments, we demonstrated that even small differences can be distinguished clearly, unlike traditional contrastive learning techniques.
Secondly, we proposed a generative model that explicitly models the characteristics of graphs when generating the graphs. To this end, we derive a destination-driven generation process and proposed a new objective function that predicts the destination of the generation process. The proposed method allows the generation of graphs with inherent properties and demonstrated the generation of valid graphs.
연결성과 같은 그래프의 구조적 특성은 그 성질을 결정짓는 중요한 요소이다. 본 학위논문에서는 그래프 구조적 특성을 명시적으로 학습하기 위한 자가지도학습법과 생성모델을 다루었다. 첫 번째로, 그래프의 이산화된 구조에 집중하여 그래프 간의 차이점을 배우는 차이점 기반 자가지도학습법을 제안하였다. 이 방법론은 유효한 그래프와 유효하지 않은 그래프를 구분하는 것을 가능하게 하며 그래프 연결성의 차이를 명시적으로 배울 수 있도록 한다. 실험을 통해 기존의 대조 학습 기법과는 달리 작은 차이도 명확하게 배운다는 것을 밝혔다. 두 번째로, 그래프 생성시 그래프의 특성을 명시적으로 모델링하기 위한 생성 모델을 제안하였다. 이를 위해, 목적지를 향한 생성과정을 유도하였고 이를 기반으로 생성과정의 목적지를 예측하는 목적지 기반 생성 모델을 제안하였다. 이 방법론을 통해 그래프 본연의 성질을 그대로 생성할 수 있으며, 유효한 그래프를 생성하는 것을 보였다.
