順序付きGNN：異質性および過剰平滑化に対処するための順序付きメッセージ伝搬

多数のグラフニューラルネットワーク（GNN）は、メッセージパッシング機構に従っている。しかし、この手法は複数回のメッセージパッシングをグラフに適用する際に、過度なスムージング（over-smoothing）問題に直面する。その結果、ノード表現が区別できなくなってしまい、遠方のノード間の依存関係を効果的に学習できなくなる。一方で、異なるラベルを持つ近傍ノードの特徴が誤って混同される可能性があり、これは異種性（heterophily）問題を引き起こす。本研究では、中心ノードのルート木（rooted-tree）の階層構造と、そのノード表現内の順序付けられたニューロンブロックを対応させることで、メッセージパッシングをノード表現に順序付けて実行する手法を提案する。このアプローチにより、特定のホップ（hop）ごとに限定されたニューロンブロックをメッセージパッシングの対象とすることができる。広範なデータセットに対する実験結果から、本モデルは特に設計を施さずに、同種性（homophily）および異種性（heterophily）の両設定において、状態の最良（SOTA）性能を同時に達成できることを示した。さらに、モデルが非常に深くてもその性能が著しく低下せず、過度なスムージング問題を効果的に抑制していることが確認された。最後に、ゲートベクトルの可視化により、本モデルが同種性と異種性の設定で異なる挙動を学習していることが明らかとなり、解釈可能性を備えたグラフニューラルネットワークとしての有効性が示された。