SIGN: 확장 가능한 인셉션 그래프 신경망

최근 그래프 표현 학습은 컴퓨터 그래픽스 및 화학에서부터 고에너지 물리학, 소셜 미디어에 이르기까지 다양한 문제에 적용되고 있다. 그래프 신경망(GNN)의 인기로 인해, 학계와 산업계 모두에서 페이스북이나 트위터와 같은 대규모 그래프에 확장 가능한 방법 개발에 대한 관심이 높아지고 있다. 대부분의 기존 접근 방식에서는 학습 시 일부 노드 이웃이나 하위 그래프를 샘플링하는 전략을 통해 계산 비용을 완화하고 있다. 본 논문에서는 그래프 샘플링이 필요 없도록, 다양한 크기의 그래프 컨볼루션 필터를 사용하는 새로운 효율적이고 확장 가능한 그래프 딥러닝 아키텍처를 제안한다. 이 필터들은 효율적인 사전 계산이 가능하여 매우 빠른 학습과 추론을 가능하게 한다. 또한, 작업의 성격에 따라 최적화된 국소 그래프 연산자(예: 모티프 유도 인접 행렬 또는 개인화된 페이지랭크 확산 행렬 등)를 활용할 수 있도록 설계되어 있다. 다양한 공개 벤치마크에서 광범위한 실험 평가를 수행한 결과, 본 방법은 다른 최첨단 아키텍처와 경쟁력 있는 성능을 보였으며, 학습 및 추론 시간은 극적으로 단축되었다. 특히, 노드 수가 1억1천만 개 이상, 엣지 수가 15억 개가 넘는 세계 최대의 공개 그래프 데이터셋인 ogbn-papers100M에서 최고 성능을 달성하였다.