GADPN: 특이값 분해를 이용한 그래프 적응적 노이즈 제거 및 구조 변경 네트워크

GADPN: Graph Adaptive Denoising and Perturbation Networks via Singular Value Decomposition

그래프 신경망(GNN)은 그래프 구조 데이터에서 뛰어난 성능을 보이지만, 관찰된 그래프의 품질에 의해 근본적으로 성능이 제한됩니다. 이러한 그래프는 종종 노이즈를 포함하거나, 연결이 누락되었거나, GNN의 기본 가정과 일치하지 않는 구조적 특성을 가질 수 있습니다. 이러한 문제를 해결하기 위해 그래프 구조 학습은 보다 최적의 토폴로지를 추론하는 것을 목표로 합니다. 그러나 기존 방법은 복잡한 생성 모델과 반복적인 공동 최적화로 인해 높은 계산 비용을 발생시켜 실제 적용에 제한이 있습니다. 본 논문에서는 저차원 노이즈 제거 및 일반화된 구조 변경을 통해 그래프 토폴로지를 적응적으로 개선하는 간단하면서도 효과적인 그래프 구조 학습 프레임워크인 GADPN을 제안합니다. 본 연구는 다음과 같은 두 가지 주요 기여를 합니다. (1) 베이지안 최적화를 사용하여 각 그래프의 동질성 수준에 맞춰 최적의 노이즈 제거 강도를 적응적으로 결정합니다. (2) 특이값 분해(SVD)를 통해 구조 변경 방법을 임의의 그래프로 확장하여 원래의 대칭 구조에 대한 제한을 극복합니다. 벤치마크 데이터 세트에 대한 광범위한 실험 결과, GADPN은 최첨단 성능을 달성하는 동시에 효율성을 크게 향상시키는 것으로 나타났습니다. 특히, 어려운 비동질성 그래프에서 상당한 성능 향상을 보여 다양한 네트워크 유형에서 향상된 그래프 구조를 안정적으로 학습할 수 있음을 입증합니다.

While Graph Neural Networks (GNNs) excel on graph-structured data, their performance is fundamentally limited by the quality of the observed graph, which often contains noise, missing links, or structural properties misaligned with GNNs' underlying assumptions. To address this, graph structure learning aims to infer a more optimal topology. Existing methods, however, often incur high computational costs due to complex generative models and iterative joint optimization, limiting their practical utility. In this paper, we propose GADPN, a simple yet effective graph structure learning framework that adaptively refines graph topology via low-rank denoising and generalized structural perturbation. Our approach makes two key contributions: (1) we introduce Bayesian optimization to adaptively determine the optimal denoising strength, tailoring the process to each graph's homophily level; and (2) we extend the structural perturbation method to arbitrary graphs via Singular Value Decomposition (SVD), overcoming its original limitation to symmetric structures. Extensive experiments on benchmark datasets demonstrate that GADPN achieves state-of-the-art performance while significantly improving efficiency. It shows particularly strong gains on challenging disassortative graphs, validating its ability to robustly learn enhanced graph structures across diverse network types.