이질적 그래프에서의 노드 분류를 위한 단순 절단 SVD 기반 모델

그래프 신경망(GNN)은 노드 레이블 측면에서 강한 동질성(homophily)을 보이는 그래프에서 우수한 성능을 보여왔다. 즉, 연결된 노드들이 동일한 레이블을 가질 경우에 효과적이다. 그러나 이들은 이질적(heterophilic) 그래프에서는 성능이 떨어진다. 최근의 접근 방식들은 주로 집계(aggregation) 방식을 수정하거나, 적응형 그래프 필터를 설계하는 등의 방법으로 이 문제를 해결하려 했다. 그럼에도 불구하고, 이질적 그래프에서의 성능은 여전히 불충분할 수 있다. 본 연구에서는 그래프의 위상 구조와 노드 특징의 절단된 특이값 분해(Truncated Singular Value Decomposition, TSVD)를 활용하는 간단한 대안적인 방법을 제안한다. 제안한 방법은 이질적 그래프에서 최신 기술 대비 최대 약 30%의 성능 향상을 달성한다. 본 연구는 집계 기반 접근 방식과 다른 방법을 탐구하는 초기 연구로서, 이질적 환경에서 집계 방식 외의 다른 대안을 탐색하는 것이 중요할 수 있음을 실험 결과를 통해 시사한다.