표지 없는 구조 학습
노드 분류의 정답으로 그래프를 학습하면 표지의 확보와 특정 과제에 의존하게 된다. SUBLIME은 자료 자체를 학습 신호로 삼아 연결 구조를 최적화하는 비지도 설정을 다룬다.
앵커와 학습 그래프의 비교
원래 자료에서 학습 기준이 될 앵커 그래프를 만든다. 대조 손실로 앵커 그래프와 학습된 그래프의 표현이 일치하도록 유도하며, 여러 그래프 학습기와 후처리 방식을 설계했다.
기준도 함께 갱신
앵커를 고정하지 않고 학습된 구조를 반영하는 부트스트래핑으로 지속적인 지도 신호를 제공한다. 원 연구는 여덟 벤치마크에서 학습된 그래프의 품질과 방법의 효과를 평가했다.
관련 문서
IDGL / 이산 그래프 구조 학습 / Pro-GNN / 대조 학습 / 자기 지도 학습 / GraphCL 그래프 증강