초록
메시지 전달 신경망(MPNNs)은 노드 특성과 그래프 구조를 포함한 그래프 구조 데이터의 원시 정보를 기반으로 표현을 학습하며, 노드 분류 작업에서 놀라운 성능 향상을 보여왔다. 그러나 MPNN의 표현 능력은 1차 Weisfeiler-Leman 테스트에 의해 상한선으로 제한되며, 정확도 측면에서도 여전히 향상의 여지가 있다. 본 연구는 이론적·실증적으로 그래프의 원시 정보를 보다 효과적으로 활용함으로써 MPNN의 표현력과 일반화 능력을 향상시키는 방법을 탐구한다. 이를 바탕으로 새로운 GNN 모델인 INGNN(Information-enhanced Graph Neural Network)을 제안하며, 이는 이러한 통찰을 활용해 노드 분류 성능을 개선한다. 합성 및 실제 데이터셋에서 실시한 광범위한 실험을 통해, 제안한 INGNN이 최첨단 기법들에 비해 우수한 성능을 보였으며(평균 순위 1.78) 그 우수성이 입증되었다.