보완적인 관점 정렬을 통한 비지도 그래프 표현 학습

Unsupervised Graph Representation Learning with Complementary View Alignment

비지도 그래프 표현 학습은 레이블이 지정된 데이터에 의존하지 않고, 구조적 정보와 속성 정보를 모두 활용하여 의미 있는 노드 임베딩을 추출하는 것을 목표로 합니다. 기존 방법들(예: GAE)은 효과적인 성능을 보여주었지만, 일반적으로 호모필리(homophily, 연결된 노드가 유사한 특징을 가짐)를 가정하는 메시지 전달 메커니즘에 의존하며, 이는 연결된 노드가 서로 다른 특징을 보이는 이질 그래프(heterophilous graph)에서 성능 저하를 초래합니다. 이러한 호모필리 편향은 이질 패턴을 식별하는 데 필수적인 중요한 고주파 성분을 손실하게 만듭니다. 이러한 문제점을 해결하기 위해, 우리는 전체 주파수 스펙트럼을 보존하는 보완적인 관점 정렬(complementary view alignment) 방식을 적용한 새로운 방법인 extsc{AlignGAE}를 제안합니다. 우리의 프레임워크는 구조적 정보와 속성 정보를 분리하여 처리하는 이중 인코더 아키텍처, Neighborhood Identity Distribution (NID)을 근사하기 위한 노드 위치 인코딩, 그리고 에지(edge)와 노드 속성에 대한 이중 재구성 작업을 포함합니다. 또한, 우리는 의미론적 일관성을 유지하면서 각 관점의 고유한 특징을 보존하는 이론적으로 뒷받침되는 NID 정렬 전략을 제안합니다. 종합적인 스펙트럴 분석을 통해, extsc{AlignGAE}가 정렬 손실이 수렴될 때 최적의 표현 특성을 달성한다는 것을 입증했습니다. 12개의 벤치마크 데이터셋에 대한 광범위한 실험 결과는 우리의 접근 방식이 노드 분류에서 이질 그래프에서 최고 성능을 나타내는 방법보다 최대 18.7% 더 우수한 성능을 보이며, 호모필리 그래프에서도 경쟁력 있는 성능을 유지한다는 것을 보여줍니다. 이러한 결과는 주파수 기반 그래프 표현 학습의 새로운 패러다임을 제시합니다.

Unsupervised graph representation learning aims to derive meaningful node embeddings by capturing both structural and attribute information without relying on labeled data. Existing methods, such as GAEs, have demonstrated effectiveness but typically rely on message-passing mechanisms that assume homophily, leading to performance degradation on heterophilous graphs, where connected nodes exhibit dissimilar features. This homophily bias results in the loss of critical high-frequency components that are essential for identifying heterophilous patterns. To address these challenges, we propose \textsc{AlignGAE}, a novel extension of \textit{MaskGAE} that preserves the full frequency spectrum through complementary view alignment. Our framework introduces a dual-encoder architecture that separately processes structural and attribute information, incorporates node positional encoding to approximate Neighborhood Identity Distribution (NID), and employs dual reconstruction tasks for both edges and node attributes. We further propose theoretically grounded NID alignment strategies that ensure semantic consistency across views while preserving their distinct characteristics. Through comprehensive spectral analysis, we demonstrate that \textsc{AlignGAE} achieves optimal representation properties when the alignment loss converges. Extensive experiments across 12 benchmark datasets validate our approach, showing that \textsc{AlignGAE} outperforms state-of-the-art methods by up to 18.7\% on heterophilous graphs in node classification, while maintaining competitive performance on homophilous graphs. Our results establish a new paradigm for frequency-aware graph representation learning.