그래프 네트워크를 위한 주요 이웃 집계

그래프 신경망(GNN)은 그래프 구조 데이터에 대한 다양한 예측 작업에서 효과적인 모델로 입증되어 왔다. 최근 GNN의 표현력에 관한 연구는 주로 동형성(isomorphism) 문제와 가산 가능한 특성 공간에 초점을 맞추어 왔다. 본 연구에서는 현실 세계의 입력 영역과 GNN의 은닉층 내부에서 흔히 나타나는 연속형 특성(continuous features)을 이 이론적 틀에 포함시켜 확장하였으며, 이러한 맥락에서 다수의 집계 함수(aggregation functions)의 필요성을 입증하였다. 이를 바탕으로, 도수 스케일러(degree-scalers)를 활용한 다수의 집계기(aggregators)를 결합한 새로운 아키텍처인 주성분 이웃 집계(Principal Neighbourhood Aggregation, PNA)를 제안한다. 도수 스케일러는 기존의 합산 집계(sum aggregator)를 일반화한 것으로, 노드의 차수에 따라 집계 결과를 조정함으로써 더 풍부한 표현력을 제공한다. 또한, 고전적 그래프 이론에서 가져온 여러 작업을 포함하는 새로운 벤치마크를 통해 다양한 모델들이 그래프 구조를 얼마나 잘 포착하고 활용하는지 비교하였다. 이 벤치마크는 기존의 실세계 도메인에서의 벤치마크들과 함께, 제안한 모델의 강점을 명확히 드러낸다. 본 연구를 통해, 강력하고 견고한 모델을 탐색하는 데 필수적인 새로운 집계 방법에 대한 GNN 연구의 방향성을 제시하고자 한다.