要約
異質性（heterophily）の状況下では、異なるラベルを持つノードが意味論的な意味に基づいて接続される傾向があるため、グラフニューラルネットワーク（GNN）はしばしば最適な性能を発揮しない。現在のグラフ異質性に関する研究は、主に集約のキャリブレーションや近隣ノードの拡張に注目しており、ノード特徴や構造情報を利用してGNNの表現力を向上させることで異質性問題に対処している。本論文では、グラフ内における各ノードの近隣ノード分布を検討することにより、異質性に内在する価値ある意味論的情報をグラフ学習に効果的に活用できる可能性を提案し、実証的に示す。理論的分析を通じて、このアプローチがグラフ学習の性能向上に有効であることを裏付けた。この分析に基づき、ノードの分布情報を活用して異質性情報を統合する新たなグラフ構造を構築する、革新的な手法HiGNNを提案する。この新構造により、類似した意味的特徴を持つノード間の接続性が強化される。我々は、同質性と異質性の両方を含むベンチマークデータセットを用いてノード分類タスクにおいて実証評価を行い、HiGNNを代表的なGNNベースラインおよび最先端（SoTA）手法と比較した結果、グラフ表現の向上が著しく確認された。さらに、異質性情報を組み込むことで、既存のGNNベースのアプローチにおける性能向上が顕著に見られ、実世界データセットにおける同質性度合いの向上も確認されたことから、本手法の有効性が裏付けられた。