번역 제공
- 그래프 증강과 자기지도학습 바탕으로 그래프의 전역적·지역적 구조 정보 통합 구현
가톨릭대(총장 원종철) 인공지능학과 박사과정생 황반튀(지도교수 이오준)가 세계 최고 수준의 그래프 트랜스포머를 개발한 논문으로 국제학술대회 ‘AAAI 2024’에서 발표를 진행해 호평을 받았다.
AAAI(Association for the Advancement of Artificial Intelligence)는 1979년 미국에 설립된 세계 최고 권위의 인공지능 학회다. 매년 세계적인 인공지능 연구기관과 각 국의 대표 기업을 초청해 최신 인공지능 기술과 연구 성과를 공유하는 국제학술대회를 개최한다. 38회째를 맞은 올해 AAAI 2024는 2월20일부터 일주일간 캐나다 벤쿠버에서 열렸다.
가톨릭대 인공지능학과 박사과정생 황반튀는 이오준 교수의 지도를 받으며 진행한 연구 성과의 우수성을 높이 평가 받아, 이번 AAAI 2024에서 직접 개발한 구조 보존 그래프 트랜스포머(Structure-Preserving Graph Transformer) 모델인 UGT(Unified Graph Transformer)를 첫 공개했다.
트랜스포머 모델은 문장 속 단어와 같은 순차 데이터 내의 관계를 추적해 맥락과 의미를 학습하는 신경망이다. 기존 트랜스포머를 변형한 그래프 트랜스포머는 그래프로 표현된 구조화된 데이터를 입력으로 사용할 수 있도록 한 것을 말한다. 즉, 각 데이터들 각각의 특성 뿐 아니라 데이터들 간의 관계까지 함께 학습할 수 있는 신경망이다.
그 동안의 그래프 트랜스포머 연구는 그래프의 전역적 혹은 지역적 구조 한 쪽에 치우쳐 진행돼, 각각의 구조적 특징들이 필요한 커뮤니티 탐지와 분자 구조 분석 등 범용적으로 사용하기 어려운 한계가 있었다. 또한, 구조적 특징에만 집중해 개별 노드 특징이 중요한 노드 분류 임무에서 낮은 성능을 보였다.
가톨릭대 황반튀 박사과정생은 그래프의 전역적 특징인 노드 역할 유사도 정보를 그래프 증강 기법을 활용해 강조한 후 노드 간 전이확률에 대한 자기지도학습을 바탕으로 지역적 노드 연결 정보와 통합하는데 성공해, 기존 인공지능 연구의 한계를 극복할 수 있는 가능성을 보여준 점을 높이 평가 받았다.
새롭게 개발된 구조 보존 그래프 트랜스포머 모델 UGT를 실험한 결과, 전역적 특징 정보가 필요한 그래프를 분류하고 지역적 특징 정보가 필요한 노드를 군집화하는 것은 물론, 노드 특징 정보가 요구되는 노드 분류 임무에서도 세계 최고 수준인 SOTA(State of the art)를 달성했다. 또한, 기존 그래프 트랜스포머와 그래프 신경망 모델이 도달하지 못한 3-WL 수준의 그래프 구조 해석 능력도 나타났다.
가톨릭대 인공지능학과 황반튀 박사과정생은 “이번에 개발한 구조 보존 그래프 트랜스포머 모델 UGT가 AI 연구 분야의 새로운 지평을 열 수 있길 바란다”며 “가톨릭대 인공지능학과에서 우수한 교육 및 연구 프로그램을 적극 지원해주신 덕분에 세계적 권위의 인공지능 국제학술대회에서 논문을 발표할 수 있게돼 영광이다”고 말했다.
가톨릭대 인공지능학과 이오준 교수는 “가톨릭대 인공지능학과 첫 박사과정생인 황반튀 학생이 입학 3학기 만에 국제학술대회에서 연구 역량을 높이 인정받았다”며 “앞으로도 가톨릭대 인공지능학과는 세계 최고 수준의 인공지능 분야 인재 양성을 위해 아낌없는 지원을 하겠다”고 말했다.
