| [수상] 석사과정 이준규, 지도교수 김종익 - KCC 2024 데이터베이스 분야 최우수 논문상 수상 | |||||
| 작성자 | 조교 김정화 | ||||
|---|---|---|---|---|---|
| 조회수 | 542 | 등록일 | 2024.08.26 | ||
| 이메일 | jeonghwa9@cnu.ac.kr | ||||
|
축하 드립니다!!
논문 요약 그래프 기반의 응용에서 그래프 사이의 유사도 계산은 핵심적인 연산이다. 그래프 편집 거리(GED, Graph Edit Distance)는 그래프 사이의 유사도를 수치적으로 표현하는 가장 대표적인 방법이다. 그러나 정확한 GED 계산은 NP-Hard 문제로 많은 계산 비용을 필요로 한다. 따라서 최근 딥러닝을 활용하여 GED 근삿값 을 예측하는 많은 연구들이 진행되었다. 하지만 기존 연구들은 모델이 예측한 GED 근삿값에 설명력이 부족 하거나 노드 레벨에서의 정보가 손실되고, 상대 그래프와의 연관 관계가 일부 무시되는 문제점이 있다. 본 논문에서는 두 그래프의 노드 레벨 임베딩을 통해 사상 행렬을 학습하여 GED 근삿값의 설명력을 제공하며 학습 과정에서의 정보손실을 최소화하는 모델을 제안한다. 또한, 실험을 통해 제안한 모델이 기존 연구보다 더 정확하게 GED를 예측하는 것을 보인다. |
|||||
