[논문] 포스트‑GCN 10년 재조명: 곡률 계층화된 관계 학습 평가
개요
관계 학습의 현재 평가 관행은 이질적인 데이터셋 전반에 걸친 성능을 평균화하는 평면 리더보드에 크게 의존하고 있으며, 이는 기본 구조가 균일하다는 가정을 암묵적으로 전제합니다. 우리는 이러한 가정이 체계적인 편향을 초래한다는 점을 보여줍니다: 기하학에 따라 달라지는 성능 변동을 가려버리고 모델 일반화에 대한 오해를 불러일으킬 수 있습니다. 본 연구에서는 내재된 기하학을 모델 효율성을 좌우하는 핵심 잠재 요인으로 규명합니다. 전통적인 집계 지표가 데이터셋을 기하학적 특성에 따라 계층화했을 때만 드러나는 중요한 성능 트레이드오프를 가린다는 것을 입증합니다. 이 문제를 해결하기 위해 우리는 양의 곡률, 음의 곡률, 그리고 거의 0에 가까운 곡률 영역으로 데이터셋을 분할하는 곡률‑계층화 평가 프레임워크를 도입합니다. 우리의 벤치마크는 Graph Convolutional Networks(GCN), Graph Foundation Models(GFM), 그리고 테이블 학습 방법을 포함한 18개의 대표 모델을 14개의 데이터셋에 걸쳐 평가합니다. 실험 결과, 모델 순위는 각 곡률 영역 내에서는 매우 안정적이지만 영역 간에는 크게 변동하여 성능이 근본적으로 기하학에 의존하고 보편적으로 전이되지 않음을 보여줍니다. 특히, 곡률에 맞춰 설계된 GNN에 비해 GFM이 수익을 감소시키는 영역을 확인했습니다. 이러한 발견을 바탕으로 우리는 표준 집계 벤치마크보다 더 신뢰할 수 있고 해석 가능한 비교를 제공하는 기하학‑인식 평가 프로토콜을 제안합니다. 향후 관계 학습 방법의 재현 가능하고 엄격한 평가를 지원하기 위해 모든 코드, 곡률‑계층화 데이터셋 분할 및 평가 도구를 공개합니다. 코드와 데이터셋은 프로젝트 홈페이지에서 제공됩니다: https://sirbabbage.github.io/CurvBench_HOME/.
주요 기여
이 논문은 다음 분야의 연구를 제시합니다:
- cs.LG
방법론
자세한 방법론은 전체 논문을 참고하십시오.
실용적 함의
본 연구는 cs.LG 분야의 발전에 기여합니다.
저자
- Shuo Wang
- Xiangyu Wang
- Quanxin Wang
- Bailin Wu
- Bokui Wang
- Shunyang Huang
- Boyan Deng
- Haonan Liu
- Ruiyi Fang
- Zhenxiang Xu
- Boyu Wang
- Zhao Kang
논문 정보
- arXiv ID: 2606.06397v1
- 분류: cs.LG
- 발표일: 2026년 6월 4일
- PDF: PDF 다운로드