초록
그래프 신경망 (GNNs)는 다양한 네트워크 관련 작업에서 효과적임이 입증되었습니다. 기존의 대부분 GNNs은 일반적으로 노드 특성의 저주파 신호를 활용하는데, 이는 실제 응용 분야에서 저주파 정보만으로 충분한지에 대한 근본적인 질문을 제기합니다. 본 논문에서는 먼저 저주파와 고주파 신호의 역할을 평가하는 실험적 조사를 제시하며, 결과는 다양한 시나리오에서 저주파 신호만을 활용하는 것이 효과적인 노드 표현 학습과 거리가 있음을 명확히 보여줍니다. 어떻게 하면 GNNs에서 저주파 정보를 넘어서 더 많은 정보를 적응적으로 학습할 수 있을까요? 이에 대한 잘 알려진 답변은 GNNs의 적응성을 향상시키는데 도움이 될 수 있습니다. 우리는 이 문제에 대처하고, 메시지 전달 과정에서 다양한 신호를 적응적으로 통합할 수 있는 자기 게이팅 메커니즘을 갖춘 새로운 주파수 적응 그래프 컨볼루셔널 네트워크 (FAGCN)를 제안합니다. 더 깊은 이해를 위해, 우리는 노드 표현 학습에 있어서 저주파 신호와 고주파 신호의 역할을 이론적으로 분석하였으며, 이를 통해 FAGCN이 다양한 유형의 네트워크에서 우수한 성능을 발휘하는 이유를 설명하였습니다. 여섯 개의 실제 세계 네트워크에서 수행된 광범위한 실험들은 FAGCN이 과도한 평활화 문제를 완화시키면서도 최신 기술보다 우월함을 검증하였습니다.