초록
그래프 신경망(GNNs)은 그래프 구조화 데이터에서 학습하기 위한 인기 있는 매개변수 모델 클래스입니다. 최근 연구에서는 GNNs가 주로 그래프를 특성 평활화(feature smoothing)에 사용하며, 대규모 그래프로 확장하기 어려운 end-to-end 학습된 특성 계층을 사용하지 않고 단순히 그래프 평활화된 노드 특성을 처리하여 벤치마크 작업에서 경쟁력 있는 결과를 보여주었다고 주장하고 있습니다. 본 연구에서는 이러한 결과가 다양한 엔티티 간의 여러 유형의 관계를 인코딩하는 이종 그래프(heterogeneous graphs)에도 확장될 수 있는지 질문합니다. 우리는 "관계 메타그래프(relation metagraph)"의 무작위 샘플링된 부분그래프에 대한 이웃 평균(Neighbor Averaging over Relation Subgraphs, NARS)을 제안합니다. NARS는 훈련 시와 추론 시 모두 메모리 효율적으로 이러한 노드 특성 집합을 계산할 수 있도록 최적화되었습니다. NARS는 여러 벤치마크 데이터셋에서 새로운 최고 수준의 정확도를 달성하며, 비용이 더 많이 드는 GNN 기반 방법들을 능가합니다.