Anisotropic Graph Neural Networks가 필요한가?

그래프 신경망(GNN) 분야의 일반적인 인식은, 노드 간에 전달되는 메시지가 송신 노드와 수신 노드 양쪽의 특성에 따라 달라지는 이방향 모델(anisotropic models)이 최첨단 성능을 달성하기 위해 필수적이라고 여겨진다. 현재까지의 벤치마크 결과들은 이러한 이방향 모델이 동일한 조건에서 비교되는 동방향 모델(isotropic models, 메시지가 송신 노드의 특성에만 의존)보다 더 우수한 성능을 보임을 입증해 왔다. 본 연구에서는 이러한 기존의 인식에 도전하는 실증적 증거를 제시한다. 우리는 공간적으로 변하는 적응형 필터(spatially-varying adaptive filters)를 활용한 동방향 GNN인 '효율적 그래프 컨볼루션(Efficient Graph Convolution, EGC)'을 제안하며, 기존의 인기 있는 GAT 또는 PNA 아키텍처와 같은 이방향 모델들을 일관되게 능가함을 보인다. 본 연구는 GNN 공동체에 중요한 질문을 제기할 뿐만 아니라, 실질적인 효율성 측면에서도 큰 의미를 갖는다. EGC는 더 높은 모델 정확도를 달성하면서도 메모리 사용량과 지연 시간이 낮으며, 가속기 구현에 적합한 특성을 지닌다. 또한, 기존 아키텍처에 대한 즉시 대체 가능한(drop-in replacement) 구조를 갖추고 있다. 동방향 모델인 EGC는 그래프의 정점 수에 비례하는 메모리($\mathcal{O}(V)$)만을 필요로 하지만, 이방향 모델은 간선 수에 비례하는 메모리($\mathcal{O}(E)$)를 요구한다. 우리는 6개의 대규모이고 다양한 특성을 지닌 벤치마크 데이터셋에서 EGC가 기존 접근법들을 모두 능가함을 실험적으로 입증하며, 연구의 향후 방향성에 대해 논의를 마친다. 본 연구의 실험 코드 및 사전 학습된 모델은 https://github.com/shyam196/egc 에 공개되어 있다.