그래프 신경망에서 이종성과 만나는 전역적 동질성을 찾기

우리는 이질성( heterophily )을 가진 그래프에서 그래프 신경망을 연구합니다. 일부 기존 방법은 동질성( homophily )을 가진 더 많은 노드를 포함하기 위해 다중 홉 이웃(multi-hop neighbors)으로 노드의 이웃 범위를 확장합니다. 그러나 서로 다른 노드에 대해 개인화된 이웃 크기를 설정하는 것은 큰 도전입니다. 또한, 이웃 범위에서 제외된 다른 동질성 노드들은 정보 집계 과정에서 무시됩니다. 이러한 문제들을 해결하기 위해, 우리는 두 개의 모델인 GloGNN과 GloGNN++를 제안합니다. 이 모델들은 그래프 내의 전역 노드들로부터 정보를 집계하여 노드의 임베딩을 생성합니다. 각 층에서, 두 모델은 노드 간 상관관계를 포착하기 위한 계수 행렬(coefficient matrix)을 학습하며, 이를 바탕으로 이웃 집계가 수행됩니다. 계수 행렬은 부호 값을 허용하며, 폐형 해(closed-form solution)를 갖는 최적화 문제에서 유도됩니다. 우리는 또한 이웃 집계를 가속화하고 선형 시간 복잡도(linear time complexity)를 유도합니다. 우리는 두 계수 행렬과 생성된 노드 임베딩 행렬이 원하는 그룹화 효과를 가지음을 증명함으로써 모델들의 효율성을 이론적으로 설명합니다. 다양한 영역, 규모 및 그래프 이질성을 가진 15개의 벤치마크 데이터셋에서 우리의 모델들을 11개의 다른 경쟁 모델들과 비교한 광범위한 실험을 수행했습니다. 실험 결과는 우리의 방법들이 우수한 성능을 달성하였으며 매우 효율적임을 보여줍니다.