TOPOLOGICAL GRAPH NEURAL NETWORKS
https://arxiv.org/pdf/2102.07835.pdf
Topological Graph Layer (TOGL)은
Topological data analysis(TDA) 기반의 layer이다,
persistent homology를 이용해서 그래프의 global topological information을 고려하는 layer 이다.
Weisfeiler-Lehman graph isomorphism test (WL test) 면에서 message-passing GNNs(MPNN)보다 낫고 모든 종류의 GNN에 쉽게 적용될 수 있다.
WL test : https://process-mining.tistory.com/170
TDA : https://velog.io/@shlee0125/TDA%EC%9D%98-%EA%B8%B0%EC%B4%88-02-Homology
해당 논문의 motivation이 되는 예시는 다음 그림과 같다.
왼쪽같은 cycles graph는 topology based method로 쉽게 구분할 수 있다.
해당 사실을 GCN-TOGL & PH(a method based on static topological features)가 적은 iteration으로 금방 높은 성능을 보인다는 사실을 통해 알 수 있다.
오른쪽같은 necklaces graph는 learnable topological features가 필수적인 형태이기 때문에 해당 논문에서 제시하는 TOGL layer를 적용한 GCN이 높은 성능을 보인다.
...
https://en.wikipedia.org/wiki/Homology_(mathematics)
https://en.wikipedia.org/wiki/Betti_number
overview schematic의 input과 ouput을 보면 알 수 있듯이 기존의 GNN에 쉽게 추가 가능한 형태이다.
input graph 에는 n개의 노드들이 있고 edge들의 집합을 이라고 한다.
각각의 node 에는 d 차원의 node attribute가 있다.
다시말해서 node attribute 이다.
는 data의 node features에 해당한다고 말할 수도 있고 GNN에 의해서 학습되는 hidden representation이라고도 할 수 있다.
(a) : 차원 d인 node attribute vector
(b) : 를 k개의 node "value" (, 각각) 로 mapping하는 함수
(c) 각각의 vertex v의 attribute, 에 를 적용한다.
k개의 view of graph 가 생긴다.
(d) 각각의 th view of 에서 filtration 를 계산한다.
vertex filtration function
각각의 를 통해 그래프의 다양한 properties를 고려하게된다.
(e) 를 통해 Persistence diagram들을 생성한다.
vertex v에서 시작해 생성된 모든(k개) persistence diagram들은 embedding function 를 통해 embedding된다. : embedded topological features라고 부르자.
(f) embedded topological features는 input attribute 와 합쳐진다. 그렇게 합쳐진 결과를 라고 하자.
(g) 마침내, topological information을 고려한 new node representation 을 얻는다.
filtration function 를 통해 개의 Persistence diagrams을 구성하고
embedding function 를 통해서 embedding 한다.
같은 경우는 처음에는 단순화를 위해 인 경우, 즉 하나의 을 통해서 하나의 Persistence diagram을 생성하는 경우를 묘사한다. 논문에서 후술하는 정리를 통해서 복수의 에 대해서 일반화가 가능하다는 증명을 하게된다.
persistence diagram: for example)
https://www.researchgate.net/publication/265730257_Topology_of_random_geometric_complexes_a_survey
filtration function 는 single hidden layer를 갖는 MLP이다.
즉, 라고 node map 를 고려해서 표현할 수 있다.
이러한 맥락에서, 는 의 hidden representation을 위한 mapping이라고 할 수 있다.
의 결과로 persistent diagram을 얻으며, 를 통해 각각의 persistent diagram들을 aggregate 하고 original node attribute인 와 더해서 "topological embedding of vertex "를 얻게되는데,
original node attribute와 더한다는 점에서 "residual fashion"이라고 표현할 수 있다.
! 더 자세한 논의를 위해선 persistent diagram의 이해가 선행되어야함 !