우리는 정말로 많은 진전을 이루고 있는가? 이질적 그래프 신경망의 재검토, 벤치마킹 및 정교화

최근 몇 년간 이종 그래프 신경망(HGNNs, Heterogeneous Graph Neural Networks)이 급속히 발전하고 있지만, 각 연구에서 사용하는 고유한 데이터 처리 및 평가 설정으로 인해 그 진보를 완전히 이해하기 어려웠습니다. 본 연구에서는 공식 코드, 데이터셋, 설정 및 하이퍼파라미터를 사용하여 최근 12개의 HGNNs를 체계적으로 재현함으로써 HGNNs의 발전에 대한 놀라운 발견을 밝혔습니다. 우리는 단순한 동종 그래프 신경망(GCN과 GAT 등)이 부적절한 설정으로 인해 크게 저평가되었다는 것을 발견했습니다. 적절한 입력을 사용할 때 GAT는 다양한 시나리오에서 기존 모든 HGNNs와 맞먹거나 능가할 수 있었습니다. 이종 그래프 신경망 연구의 견고성과 재현성을 돕기 위해, 우리는 세 가지 작업을 포함하는 11개의 다양한 데이터셋으로 구성된 이종 그래프 벤치마크(HGB, Heterogeneous Graph Benchmark)를 구축하였습니다. HGB는 이종 그래프 데이터 분할, 특성 처리 및 성능 평가 과정을 표준화합니다. 마지막으로, Simple-HGN이라는 간단하지만 매우 강력한 기준 모델을 소개하는데, 이 모델은 HGB에서 이전 모든 모델을 크게 능가하며 향후 HGNNs의 발전을 가속화할 것입니다.