라벨 영향력 전파를 이용한 멀티 라벨 노드 분류

Multi-Label Node Classification with Label Influence Propagation

그래프는 다양한 분야에서 사용되는 복잡하고 다재다능한 데이터 구조이며, 특히 여러 개의 라벨을 가질 수 있는 노드는 중요한 역할을 합니다. 예를 들어, 단백질-단백질 상호작용 네트워크에서 다중 기능을 수행하는 단백질이나 소셜 또는 전자상거래 네트워크에서 다양한 관심사를 나타내는 사용자가 있습니다. 그래프에서의 멀티 라벨 노드 분류(MLNC) 문제를 해결하기 위해 다양한 접근 방식이 개발되었습니다. 일부 방법은 그래프 신경망(GNN)을 사용하여 라벨 간의 상관관계를 활용하고, 다른 방법은 라벨 임베딩을 통해 라벨 간의 유사성을 파악합니다. 그러나 이러한 접근 방식은 비유클리드 그래프 데이터에서 발생하는 라벨 간의 복잡한 상호작용을 고려하지 못합니다. 이 문제를 해결하기 위해, GNN에서의 메시지 전달 과정을 전파(propagation)와 변환(transformation)이라는 두 가지 연산으로 분해했습니다. 우리는 각 연산에서 라벨 간의 영향력 상관관계를 종합적으로 분석하고 정량화합니다. 이러한 통찰력을 바탕으로, 새로운 모델인 라벨 영향력 전파(Label Influence Propagation, LIP)를 제안합니다. 구체적으로, 통합된 라벨 상관관계를 기반으로 라벨 영향력 그래프를 구축한 후, 이 그래프를 통해 고차원의 영향력을 전파하여 양호한 기여를 하는 라벨은 강화하고, 부정적인 영향을 미치는 라벨은 완화함으로써 학습 과정을 동적으로 조절합니다. 마지막으로, 제안하는 프레임워크는 다양한 벤치마크 데이터셋에서 평가되었으며, 다양한 환경에서 기존 최고 성능 모델(SOTA)보다 우수한 결과를 보여주어 MLNC 작업에서의 효과성을 입증했습니다.

Graphs are a complex and versatile data structure used across various domains, with possibly multi-label nodes playing a particularly crucial role. Examples include proteins in PPI networks with multiple functions and users in social or e-commerce networks exhibiting diverse interests. Tackling multi-label node classification (MLNC) on graphs has led to the development of various approaches. Some methods leverage graph neural networks (GNNs) to exploit label co-occurrence correlations, while others incorporate label embeddings to capture label proximity. However, these approaches fail to account for the intricate influences between labels in non-Euclidean graph data. To address this issue, we decompose the message passing process in GNNs into two operations: propagation and transformation. We then conduct a comprehensive analysis and quantification of the influence correlations between labels in each operation. Building on these insights, we propose a novel model, Label Influence Propagation (LIP). Specifically, we construct a label influence graph based on the integrated label correlations. Then, we propagate high-order influences through this graph, dynamically adjusting the learning process by amplifying labels with positive contributions and mitigating those with negative influence. Finally, our framework is evaluated on comprehensive benchmark datasets, consistently outperforming SOTA methods across various settings, demonstrating its effectiveness on MLNC tasks.