要約
グラフニューラルネットワーク（GNN）はノード分類タスクにおいて非常に高い成果を上げており、従来のGNNはグラフが同質性（homophilic）であると仮定している。すなわち、隣接するノードは同じクラスに属する可能性が高いと仮定している。しかし、実世界の多くのグラフは異質性（heterophilic）を示しており、このため従来のGNNでは分類精度が著しく低下する。本研究では、異質性グラフおよび同質性グラフの両方に対して有効な新しいGNNを提案する。本研究の基盤となるのは以下の3つの主要な観察結果である。第一に、異なるグラフにおいて、ノード特徴量とグラフ構造（トポロジー）が提供する情報量は異なり、したがってこれらを独立に符号化し、適応的に優先順位を設定する必要があることを示した。第二に、グラフ構造情報を伝搬する際に負のアテンション重みを許容することで、分類精度が向上することを実証した。第三に、ノード間における非対称的なアテンション重みが有効であることを明らかにした。これらの観察結果を統合するために、独自の自己アテンション機構を採用したGNNを設計した。我々の手法は、数千から数百万ノードを含む実世界のグラフデータセットにおいて評価され、既存のGNNと比較して最先端の性能を達成した。また、設計の主要構成要素が異なるグラフにおいてどのように機能するかについても詳細な分析を行った。