많은 중요한 그래프 데이터 처리 응용 프로그램에서 얻어진 정보는 노드 특성과 그래프 위상의 관찰을 모두 포함합니다. 그래프 신경망(GNNs)은 이러한 두 가지 증거를 활용하도록 설계되었지만, 그 효용성을 최적으로 균형 잡고 통합하는 방식이 보편적이지 않습니다. 여기서 보편성이란 동질성(homophily) 또는 이질성(heterophily) 그래프 가정에 의존하지 않는 것을 의미합니다. 우리는 이러한 문제들을 해결하기 위해, 노드 라벨이 동질적이거나 이질적인 정도에 상관없이 노드 특성과 위상 정보 추출을 공동으로 최적화하도록 GPR 가중치를 적응적으로 학습하는 새로운 일반화된 페이지랭크(GPR) GNN 아키텍처를 소개합니다. 학습된 GPR 가중치는 초기화 유형에 관계 없이 자동으로 노드 라벨 패턴에 맞춰 조정되므로, 일반적으로 처리하기 어려운 라벨 패턴에서도 우수한 학습 성능을 보장합니다. 또한, 네트워크가 얕아야 하는 요구 없이 특성 과다 평활화(over-smoothing)를 피할 수 있게 해주며, 이 과정은 특성 정보를 비차별화(non-discriminative)로 만듭니다. 우리의 GPR-GNN 방법론에 대한 동반되는 이론적 분석은 컨텍스트 확률 블록 모델(contextual stochastic block model)로 생성된 새로운 합성 벤치마크 데이터셋을 통해 용이하게 이루어졌습니다. 또한, 잘 알려진 동질적 및 이질적 벤치마크 데이터셋을 사용하여 노드 분류 문제에서 우리의 GNN 아키텍처의 성능을 여러 최신 GNN들과 비교했습니다. 결과는 GPR-GNN이 합성 데이터와 벤치마크 데이터 모두에서 기존 기술보다 상당히 향상된 성능을 제공함을 입증하였습니다.