Analyzing Structural Factors in Contrastive Learning: The Case of Heterophilic Graphs

대조 학습(contrastive learning)은 그래프 신경망(GNN)에서 라벨이 없는 상태에서도 의미 있는 표현을 학습할 수 있도록 해주는 자기 지도 학습 방식으로 주목받고 있다. 그러나 기존의 대조 학습 방법들은 주로 동질적(homophilic) 그래프를 전제로 설계되어 있어, 이질적(heterophilic) 구조에서는 오히려 성능 저하를 초래할 수 있다. 본 연구는 GNN의 귀납적 편향(inductive bias)과 그래프의 동질성 수준(homophily)이 대조 학습의 효과에 어떤 영향을 미치는지를 실증적으로 분석한다. 이를 통해, 단순한 self-positive pair 기반 접근 방식은 이질적 그래프에서 표현 품질을 오히려 떨어뜨릴 수 있으며, 구조 유사도에 기반한 positive pair 구성이 더 효과적인 대안이 될 수 있음을 확인하였다. 이러한 분석을 바탕으로, 다양한 구조 유사도 함수를 활용한 대조 학습 목표를 설계하고, 기존 GNN 모델에 모듈 형태로 결합 가능한 구조 인식형 대조 학습 프레임워크인 GraphStructCL을 제안한다. 실험 결과, 제안된 방법은 Texas, Wisconsin, Chameleon 등 구조적 이질성이 강한 그래프에서 기존 방법 대비 일관된 성능 향상을 보이며, 동질성이 낮은 환경에서도 견고한 표현학습이 가능함을 입증하였다.