그래프 신경망을 위한 이질성 재검토

그래프 신경망 (GNNs)은 관계적 귀납 편향(동질성 가정)을 기반으로 그래프 구조를 사용하여 기본적인 신경망 (NNs)을 확장합니다. GNNs이 실제 작업에서 NNs보다 우수한 성능을 보인다고 널리 믿어져 왔지만, 최근 연구에서는 GNNs의 성능이 NNs에 비해 만족스럽지 않은 데이터셋 집합이 존재함을 확인하였습니다. 이 경험적 관찰의 주요 원인으로 이질성이 고려되었으며, 이를 해결하기 위한 많은 연구가 진행되었습니다. 본 논문에서는 먼저 널리 사용되는 동질성 지표들을 재검토하고, 그래프-라벨 일관성만을 고려하는 것이 한계점임을 지적합니다. 그런 다음, 후 집계 노드 유사성을 중심으로 이질성을 연구하고, 기존 지표들보다 잠재적으로 유리할 수 있는 새로운 동질성 지표들을 정의합니다. 이러한 조사를 바탕으로 일부 유해한 이질성 사례들이 로컬 다각화 연산을 통해 효과적으로 해결될 수 있음을 증명합니다. 이후, 우리는 다양한 노드 이질성 상황에서 더 풍부한 지역 정보를 추출하기 위해 집계, 다각화 및 식별 채널을 노드별로 적응적으로 활용하는 Adaptive Channel Mixing (ACM) 프레임워크를 제안합니다. ACM은 이질적 그래프에서 노드 분류 작업에 대한 일반적으로 사용되는 단일 채널 프레임워크보다 강력하며, 베이스라인 GNN 레이어에 쉽게 구현할 수 있습니다. 10개의 벤치마크 노드 분류 작업에서 평가한 결과, ACM이 적용된 베이스라인이 대부분의 작업에서 최신 GNNs보다 우수한 성능을 보이며, 중요한 계산 부담 없이 일관된 성능 향상을 달성하였습니다.