노드 분류를 위한 그래프 신경망에 있어 이질성(Heterophily)은 진정한 악몽인가?

그래프 신경망(GNNs)은 관계 기반의 인덕티브 바이어스(동질성 가정)를 기반으로 한 그래프 구조를 활용함으로써 기초 신경망(NNs)을 확장한다. 비록 GNN이 실제 문제에서 NN보다 우수하다는 것이 일반적으로 여겨지지만, 그래프 무관 신경망(graph-agnostic NNs)에 비해 GNN이 가지는 성능적 우위는 일반적으로 만족스럽지 않다. 이에 대해 이질성(heterophily)이 주요 원인으로 간주되며, 이를 해결하기 위한 다양한 연구들이 제안되어 왔다. 본 논문에서는 먼저, 모든 이질성 사례가 집계(aggregation) 연산을 수행하는 GNN에 해로운 것은 아님을 보여준다. 그 후, 그래프 구조와 입력 특징이 GNN에 미치는 영향을 함께 고려한 유사도 행렬 기반의 새로운 지표를 제안한다. 이러한 지표는 합성 그래프를 활용한 실험을 통해 기존에 널리 사용되는 동질성 지표보다 우수함을 입증한다. 이 지표와 관찰 결과를 바탕으로, 일부 해로운 이질성은 다양화(diversification) 연산을 통해 해결 가능함을 발견하였다. 이러한 사실과 필터뱅크(filterbank)에 대한 이해를 바탕으로, 각 GNN 계층에서 집계, 다양화, 항등(identity) 채널을 적응적으로 활용할 수 있도록 하는 '적응형 채널 혼합(Adaptive Channel Mixing, ACM)' 프레임워크를 제안한다. ACM을 도입한 기준 모델은 10개의 실제 세계 노드 분류 작업에서 검증되었으며, 상당한 성능 향상을 지속적으로 달성하였고, 계산 부담을 크게 증가시키지 않으면서도 대부분의 작업에서 최신 기술(GNNs)을 초월하였다.