초록
최근 들어 동질성(graphs)과 이질성(heterophilic graphs) 모두에서 작동할 수 있는 새로운 그래프 신경망(GNN)에 대한 연구가 점차 증가하고 있으나, 기존의 고전적 GNN이 덜 동질성(less-homophilic) 그래프에 적응하는 방안에 대해서는 거의 연구되지 않았다. 비록 덜 동질성 그래프를 다루는 능력이 제한적이지만, 고전적 GNN은 효율성, 단순성, 해석 가능성 등 여러 우수한 특성을 유지하고 있다. 본 연구에서는 기존의 다양한 유형의 GNN(고전적 GNN 포함)에 통합 가능한 새로운 그래프 재구성 방법을 제안한다. 이 방법은 기존 GNN의 장점을 유지하면서도 그 한계를 완화하는 데 기여한다. 본 연구의 기여는 세 가지로 요약된다: a) 알려진 노드 레이블과 잘 일치하는 적응형 스펙트럴 클러스터링을 위한 가상 고유벡터(pseudo-eigenvectors)의 가중치를 학습하는 방식, b) 레이블 불균형에 대해 강건한 새로운 밀도 인식 동질성 지표(density-aware homophilic metric) 제안, c) 적응형 스펙트럴 클러스터링 결과를 바탕으로 동질성 점수를 최대화하는 방식으로 인접행렬(adjacency matrix)을 재구성하는 것. 실험 결과, 제안하는 그래프 재구성 방법은 여섯 가지 고전적 GNN의 성능을 덜 동질성 그래프에서 평균 25% 이상 향상시켰으며, 이 성능 향상은 최첨단 기법들과 비교해도 상당히 경쟁력이 있음을 보였다.