그래프 신경망에서 동질성 beyond: 현재 제한 사항과 효과적인 설계

우리는 이질성 또는 낮은 동질성이 있는 네트워크에서, 즉 연결된 노드가 서로 다른 클래스 라벨과 유사하지 않은 특성을 가질 수 있는 네트워크에서 그래프 신경망의 표현력을 조사합니다. 많은 인기있는 그래프 신경망(GNN)들이 이러한 환경에서 일반화에 실패하며, 심지어 그래프 구조를 무시하는 모델(예: 다층 퍼셉트론)보다 성능이 떨어지는 경우도 있습니다. 이러한 제한을 극복하기 위해, 우리는 이질성 환경에서 그래프 구조로부터 학습을 강화하는 핵심 설계 요소들을 식별하였습니다. 이 설계 요소들은 자기 임베딩과 이웃 임베딩 분리, 고차 이웃, 그리고 중간 표현의 결합입니다. 우리는 이러한 설계 요소들을 결합하여 H2GCN이라는 그래프 신경망을 개발하였으며, 이를 기반으로 식별된 설계 요소들의 효과를 실증적으로 평가하였습니다. 전통적인 강한 동질성을 가진 벤치마크를 넘어서, 우리의 실증 분석은 식별된 설계 요소들이 합성 네트워크와 실제 네트워크에서 각각 최대 40%와 27%의 정확도 향상을 가져왔음을 보여주며, 동질성 환경에서도 경쟁력 있는 성능을 발휘함을 확인하였습니다.