초록
그래프 신경망(GNNs)은 다양한 응용 분야에서 그래프 모델링에 있어 뛰어난 성능을 달성해왔다. 그러나 기존의 대부분의 GNNs는 노드 레이블 간 강한 동질성(homophily)을 전제로 하며, 유사한 레이블을 가진 노드들이 그래프 내에서 연결되어 있다고 가정한다. 이러한 가정은 연결된 노드 간 레이블이나 특성이 다를 수 있는 이질성(heterophilic) 그래프에 대해 일반화가 어려운 문제를 야기한다. 따라서 본 논문에서는 동질성 또는 이질성 그래프 모두에서 우수한 성능을 발휘할 수 있는 새로운 프레임워크를 제안한다. 구체적으로, 유사하지 않은 노드 표현을 집계함으로써 발생하는 부정적 영향을 방지하고, 이질성 구조를 유지하여 표현 학습에 기여하는 레이블 기반 메시지 전파 메커니즘을 제안한다. 또한, 동질성/이질성 그래프에 적합한 모델을 자동으로 선택하기 위한 이중 수준 최적화 방법을 제안한다. 이론적 분석과 광범위한 실험을 통해 제안하는 프레임워크가 동질성 및 이질성 그래프 모두에서 노드 분류 작업에 효과적임을 입증하였다.