군집 목적에 맞춘 표현
먼저 그래프 임베딩을 만든 뒤 별도 군집 알고리즘을 적용하면 표현이 군집화 목적에 맞춰지지 않을 수 있다. DAEGC는 속성 그래프의 표현과 군집화를 통일된 학습 틀에서 함께 다룬다.
어텐션과 구조 복원
대상 노드에 대해 이웃 노드가 얼마나 중요한지 어텐션으로 포착한다. 연결 구조와 노드 내용을 조밀한 표현에 담고 내적 디코더가 그래프 구조를 재구성하도록 학습한다.
자기 학습 군집화
그래프 임베딩 자체에서 부드러운 표지를 만들어 자기 학습 군집화를 감독한다. 군집 결과를 반복적으로 정제하는 과정과 그래프 임베딩을 공동 최적화해 서로 도움이 되도록 구성했다.
관련 문서
변분 그래프 오토인코더 / 그래프 / 군집화 / 어텐션 / 의사 표지 / 표현 학습