要約
グラフニューラルネットワーク（GNN）は、さまざまな応用においてグラフのモデリングにおいて顕著な性能を達成している。しかし、既存の大多数のGNNは、ノードラベルにおいて強い同質性（homophily）を仮定しており、すなわち類似したラベルを持つノード同士がグラフ内で接続されていると仮定している。このような仮定は、接続されたノードが異なるラベルや属性を持つ異質的グラフ（heterophilic graphs）に対しては一般化できない。本稿では、同質性と異質性の両方のグラフに対して良好な性能を発揮する新しいフレームワークを提案する。具体的には、異なるノード表現の集約がもたらす悪影響を回避し、異質的構造を保持するための「ラベルごとのメッセージ伝達機構」を導入する。さらに、同質性／異質性のグラフに適したモデルを自動的に選択するための二段階最適化手法を提案する。理論的解析および広範な実験により、本研究で提案するフレームワークが、同質的および異質的グラフの両方においてノード分類タスクにおいて有効であることが示された。