要約
グラフニューラルネットワーク（GNN）は、グラフ指向のタスクにおいて強力な性能を示すことが証明されている。しかし、多くの現実世界のグラフは異質性（heterophilous）を示すため、従来のGNNが仮定する同質性（homophily）の前提に課題が生じる。この普遍性の問題を解決するために、多くの研究ではネットワークの深さを増す、または中間表現を連結する手法が採用されているが、これらは根本的に隣接ノードの集約メカニズムを変えるものではなく、ノイズを導入するリスクがある。近年の研究では、同質性を特徴づける新しい指標が提案されているが、これらの指標とモデルの関連性についてはほとんど検討されていない。本論文では、まずノードの近傍におけるラベルの複雑さまたは純度を測定する新しい指標「Neighborhood Homophily（NH）」を設計する。さらに、この指標を従来のグラフ畳み込みネットワーク（GCN）アーキテクチャに組み込み、NHに基づくグラフ畳み込みネットワーク（NHGCN）を提案する。本フレームワークでは、推定されたNH値に基づいて近傍ノードをグループ化し、異なるチャネルから集約を行う。得られたノード予測を用いて、再びNH値を推定・更新するというプロセスを繰り返す。この指標推定とモデル推論の二つのプロセスを交互に最適化することで、より優れたノード分類性能を実現する。NHGCNは、同質性グラフおよび異質性グラフの両方において、トップクラスの全体的性能を達成し、現在の最先端（SOTA）手法と比較して最大7.4%の性能向上を実現した。