[CS224w] 4. Graph Neural Networks

 

앞서 Node Embedding을 할 때는 임베딩 벡터를 이용하여 문제를 해결했다.

이제 딥러닝 방법으로 node/edge/graph를 encoding하는 방법으로 나아가자. 

그래프 데이터이므로 Grapn Neural Networks(GNN, GNNs)라 부른다.

기존 MLP가 적합하지 않은 이유

Naive하게 인접행렬$\mathbf{A}$을 concat하여 MLP에 적용해보자.

MLP의 결과는 임베딩된 벡터 $\mathbf{z}_{\mathcal{G}}$가 output으로 나온다고 하면

 

\[ \mathbf{z}_{\mathcal{G}} = \mathrm{MLP}(\mathbf{A}[1] \oplus \mathbf{A}[2] \oplus \dots \oplus \mathbf{A}|\mathcal{V}| ]) \]

 

그런데, 굳이 계산해보지 않아도 예상되는 문제점이 있다. 그래프는 위상적으로 동일한데 노드의 이름 순서에 따라 입력이 달라지는 문제가 발생한다.

Figure 1. 2개의 그래프는 위상적으로 같은 노드에 같은 feature vector가 있지만, 인접행렬이 달라진다.

Permutation Invariance & Equivariance

permutation invariance: 인접행렬의 row/column의 순서가 바뀌어도 $f$의 순서가 바뀌지 않는다.

permutation equivariance: 인접행렬의 순서가 바뀌는 대로 $f$의 결과도 같은 순서로 바뀐다.

 

수학적으로 인접행렬 $\mathbf{A}$, 순열행렬 $mathbf{P}$, 임의의 함수 $f$에 대하여 아래 식을 만족해야 한다.

\[ f(\mathbf{PAP}^\top) = f(\mathbf{A}) \quad \text{(Permutation Invariance)} \]

\[ f(\mathbf{PAP}^\top) = \mathbf{P}f(\mathbf{A}) \quad \text{(Permutation Equivariance)} \]

 

따라서 같은 그래프 $G = (\mathbf{A}, \mathbf{X})$ 에 대해서 permutation invariance하고 permutation equivariance한 함수 $f$가 필요하다.

Graph Neural Networks consist of multiple permutation invariant/equivariant functions.

이런 이유로, 기존 신경망인 MLP는 사용할 수 없다.

 

Graph Convolutional Networks

Idea: 이웃 노드들이 그래프의 구조를 결정한다. -> 어떻게 node feature를 전파시킬 것인가?

Aggregate Neighbors

Figure 2. Node Aggregates from its local neighborhood

Figure 2의 회색 박스는 일종의 neural networks라고 할 수 있다. 그리고 그 depth는 정하기 나름이다.

$\mathbf{h}_{u}^{(k)}$를 노드 $u$의 $k$번째 hidden embedding이라 하자. 이때 $u$는 그의 이웃노드들 $\mathcal{N}(u)$로부터 정보(아직 정의하지 않음)들을 반복적으로 업데이트하여 $k=K$까지 반복한다. 

(AGGREGATE가 $\mathbf{m}$ (Messaging)이 되는 과정은 나중에 설명한다.)

Figure 3. message-passing model

이렇게 학습된 임베딩 노드의 최종 노드는

\[ \mathbf{z}_{u} = \mathbf{h}_{u}^{(K)}, \forall{u} \in \mathcal{V} \]

 

다시 hidden embedding으로 돌아와서, GNN을 자세히 풀어 써보자.

\[ \mathbf{h}_{u}^{(k)}=\sigma \left( \mathbf{W}_{\text{self}}^{(k)}\mathbf{h}_{u}^{(k-1)} + \mathbf{W}_{\text{neigh}}^{(k)} \sum_{v \in \mathcal{N}(u)}\mathbf{h}_{v}^{(k-1)} + \mathbf{b}^{(k)} \right) \]

 

이때

$\mathbf{W}$는 $\mathbb{R}^{d^{(k)} \times d^{(k-1)}}$ 인 trainable parameter matrix

$\sigma$: 비선형함수, $\mathrm{tanh}$, $\mathrm{ReLU}$ 등

$\mathbf{b}$: $\mathbb{R}^{d^{(k)}}$: bias

 

Neighborhood Normalization

neighbor embeddings를 다 더하게 되면 node degree가 높은 노드는 매우 불안정하게 학습될 것이다. 따라서 정규화가 필요하다. 가장 단순한 방법은 이웃하는 노드 수 만큼 나눠주는 것이다.

Figure 4. Deep Encoder using Neighborhood Aggregation

 

Kipf and Welling에 따르면 symmetric normalization이 더 좋다고 한다. 그러므로 메시지 $\mathbf{m}$의 형태는 아래와 같다.

\[ \mathbf{m}_{\mathcal{N}(u)}  = \sum_{v \in \mathcal{N}(u)} \cfrac{\mathbf{h}_{v}}{|\mathcal{N}(u)| |\mathcal{N}(u)|} \]

 

Matrix Formulation

Aggregation 연산은 sparse matrix operation을 효율적으로 할 수 있다.

$\mathbf{H}^{(k)} = [\mathbf{h}_1^{(k)}, \dots, \mathbf{h}_{V}^{(k)}]^\top$ 이라 하면

$\sum_{u \in N(v)}\mathbf{h}_u^{(k)} = \mathbf{AH}^{(k)}$

대각행렬 $\mathbf{D}$가 $\mathbf{D} = Degree(v) = |N(v)|$이므로 $\mathbf{D}^{-1} = \cfrac{1}{|N(v)|}$

따라서

\[ \sum_{u \in N(v)} \cfrac{h_u^{(k-1)}}{|N(v)|} = H^{(k+1)} = D^{-1}AH^{(k)} \]

Figure 5. Matrix $H$

최종적으로 matrix form 으로 update function을 재작성하면

\[ H^{(k+1)} = \sigma \left( \tilde{A}H^{(k)}W_k^\top + H^{(k)}B_k^\top \right) \quad \text{where} \tilde{A} = D^{-1}A \]

 

실제 컴퓨팅 연산에서 $\tilde{A}$가 sparse matrix이므로 효율적으로 동작한다.

 

Note: 모든 GNN이 matrix form으로 작성할 수 있는 것은 아니다. aggregation function이 단순한 경우에만 가능하다.

 

Supervised Training

우리가 잘 아는 방법대로 training 하면 된다.

\[ \min_{\theta} \mathcal{L}(\mathbf{y}, f(\mathbf{z}_v)) \]

 

\[ \mathcal{L} = - \sum_{v \in V}y_v \log{(\sigma(z_v^\top \theta))} + (1-y_v)\log{(1-\sigma(z_v^\top \theta))} \]

 

e.g. drug-drug interaction network에서 이 drug(node)가 safe/toxic 한가? (node classification)

Unsupervised Training

similiar nodes have similar embeddings

\[ \mathcal{L} = \sum_{z_u, z_v}\mathrm{CE}(y_{u, v}, \mathrm{DEC}(z_u, z_v) ) \]

$u, \ v$가 similar하다면 $y_{u, v}=1$이다.

CE는 Cross Entropy이고 DEC는 Decoder이다. (e.g. inner product)

 

CNN vs GNN

CNN은 GNN의 특별한 구조로 생각할 수 있다. GNN에서 고정된 크기의 neighbor와 ordering을 가진 모델이라 할 수 있다. 

그러나 CNN은 permutation invariant/equivariant 하지 않다.