이질성 그래프를 GNN에 더 잘 맞추기: 그래프 리와이어링 접근법

그래프 신경망(GNNs)은 그래프 데이터를 모델링하는 데 널리 사용되는 머신러닝 기법이다. 많은 GNN 모델들은 동질성(호모필리) 그래프에서는 뛰어난 성능을 보이지만, 이질성(헤테로필리) 그래프에서는 만족스럽지 못한 성능을 나타낸다. 최근 일부 연구자들은 메시지 전파 메커니즘을 조정하거나 메시지 전파의 수신 영역을 확장함으로써 헤테로필리 그래프를 위한 GNN을 설계하는 데 주목하고 있다. 기존 연구들이 모델 설계 측면에서 헤테로필리 문제를 완화하려는 시도를 하는 것과 달리, 본 연구에서는 모델 설계와는 다른 관점에서 헤테로필리 그래프를 탐구한다. 구체적으로, 그래프 구조를 재연결(rewiring)하여 헤테로필리 정도를 감소시키고, 기존의 전통적인 GNN 모델이 더 나은 성능을 발휘할 수 있도록 유도하는 방식을 제안한다. 광범위한 실험 및 분석을 통해 재연결 기법의 잠재력을 입증하였다. 이를 더욱 극대화하기 위해, 동질적인 간선을 추가하고 이질적인 간선을 제거함으로써 그래프를 재연결하는 Deep Heterophily Graph Rewiring(DHGR)이라는 새로운 방법을 제안한다. 재연결의 구체적인 방식은 노드 이웃 간의 레이블/특성 분포 유사도를 비교함으로써 결정된다. 또한, DHGR의 확장 가능성을 보장하기 위해 효율적인 구현 방식을 설계하였다. DHGR는 기존의 GNN 모델(동질성용 또는 이질성용 모두 포함)에 쉽게 통합할 수 있는 플러그인 모듈 또는 그래프 사전 처리 단계로 활용 가능하다. 이는 노드 분류 작업에서 다양한 GNN 모델의 성능을 향상시키는 데 기여한다. 우리 연구를 가장 먼저 조사한 바에 따르면, 본 연구는 헤테로필리 그래프를 위한 그래프 재연결을 처음으로 탐구한 논문이다. 공개된 11개 그래프 데이터셋을 대상으로 실시한 광범위한 실험 결과는 제안한 방법의 우수성을 입증한다.