그래프 신경망의 한계를 극복하기 위해 로컬 믹싱 패턴을 활용하여 그래프의 아소르타티비티 향상시키기

그래프 신경망(GNNs)은 네트워크 구조와 노드 특성을 융합하여 다수의 그래프 기반 학습 과제에서 뛰어난 성공을 거두었습니다. 현대 GNN 모델은 메시지 패싱을 통해 이웃의/근접 특성을 반복적으로 집계하는 방식으로 구축됩니다. 그 예측 성능은 그래프 내에서 유사한 속성을 가진 노드들이 서로 혼합/연결되는 주요 특성인 동질성 혼합(assortative mixing)에 의해 강하게 제약된 것으로 나타났습니다. 우리는 실제 세계 네트워크가 다양한 혼합 패턴을 보이는 것을 관찰하였으며, 전역 동질성 계수(global assortativity coefficient)와 같은 전통적인 전역 측정 방법이 이러한 혼합을 정량화하는 대표적인 통계치일 수 없다는 점을 발견하였습니다. 이를 더 잘 표현하고 GNNs의 학습 가능성을 정확히 측정하기 위해, 우리는 노드 수준 동질성(node-level assortativity)이라는 일반화된 개념을 도입하였습니다. 이는 노드 수준에서 기반을 두고 있습니다.우리는 다양한 GNN 모델들의 예측 성능이 노드 수준 동质性과 매우 밀접한 상관관계가 있음을 발견하였습니다. 이 한계를 극복하기 위해, 본 연구에서는 입력 그래프를 근접 정보와 구조적 정보를 각기 다른 종류의 엣지로 포함하는 계산 그래프(computation graph)로 변환하는 데 초점을 맞추었습니다. 결과적으로 생성된 다중 관계 그래프(multi-relational graph)는 동질성이 향상되었으며, 더욱 중요한 점은 원래 그래프로부터 풍부한 정보를 유지한다는 것입니다. 우리는 이 계산 그래프에서 GNNs을 실행하고, 구조와 근접 사이에서 적응적으로 선택함으로써 다양한 혼합 조건 하에서 성능 개선이 이루어짐을 보여주었습니다. 경험적으로, 우리는 우리의 변환 프레임워크를 사용하여 다양한 실제 세계 그래프 학습 벤치마크에서 준지도 노드 분류 작업에 대한 이점들을 입증하였습니다.注：在最后一段中，“동质性”应该是“동질성”。这是韩文中一个常见的打字错误。正确的句子如下：우리는 다양한 GNN 모델들의 예측 성능이 노드 수준 동질성과 매우 밀접한 상관관계가 있음을 발견하였습니다. 이 한계를 극복하기 위해, 본 연구에서는 입력 그래프를 근접 정보와 구조적 정보를 각기 다른 종류의 엣지로 포함하는 계산 그래프(computation graph)로 변환하는 데 초점을 맞추었습니다. 결과적으로 생성된 다중 관계 그래프(multi-relational graph)는 동질성이 향상되었으며, 더욱 중요한 점은 원래 그래프로부터 풍부한 정보를 유지한다는 것입니다. 우리는 이 계산 그래프에서 GNNs을 실행하고, 구조와 근접 사이에서 적응적으로 선택함으로써 다양한 혼합 조건 하에서 성능 개선이 이루어짐을 보여주었습니다. 경험적으로, 우리는 우리의 변환 프레임워크를 사용하여 다양한 실제 세계 그래프 학습 벤치마크에서 준지도 노드 분류 작업에 대한 이점들을 입증하였습니다.