이질적 그래프에서 내부 클래스 정보 추출 향상: 하나의 신경망 아키텍처 탐색 접근법

최근 몇 년 동안 그래프 신경망(GNNs)은 그래프 표현 학습 분야에서 널리 사용되고 있으며, 이는 연결된 노드들이 동일한 레이블을 가지거나 유사한 특성을 갖는다는 동질성(Homophily) 가정을 전제로 한다. 그러나 이러한 가정은 낮거나 중간 수준의 동질성을 가진 이질성 그래프(Heterophilous graphs)에서는 일반화가 어려운 문제가 있다. 기존의 방법들은 이 문제를 해결하기 위해 클래스 내 정보 추출을 강화하는 방식으로 접근하며, 이를 위해 더 효과적인 GNN 아키텍처를 설계하거나, 더 멀리 떨어진 노드들로부터 클래스 내 잠재적 노드를 포함하도록 그래프 구조를 재설계하는 방식을 사용한다. 이러한 접근은 어느 정도 성공을 거두었지만, 다음과 같은 두 가지 측면에서 더 개선할 여지가 있음을 관찰할 수 있다: (a) 노드 자체에서 더 신뢰할 수 있는 클래스 내 정보를 추출하기 위해 에고(Ego) 특성 정보 추출을 강화하는 것; (b) 각 노드의 동질성 비율이 다를 수 있음을 고려하여 노드별(GNN) 아키텍처를 설계하는 것. 본 논문에서는 이러한 두 가지 개선점을 달성하기 위해 새로운 방법 IIE-GNN(Intra-class Information Enhanced Graph Neural Networks)을 제안한다. 기존 연구를 바탕으로 통합적인 프레임워크를 제안하며, 이 프레임워크는 노드 자체와 이웃 노드로부터의 클래스 내 정보를 일관되게 추출할 수 있도록 일곱 가지 정교하게 설계된 블록을 포함한다. 신경망 아키텍처 탐색(NAS, Neural Architecture Search)을 활용하여, 이 프레임워크 기반의 새로운 탐색 공간을 제안하고, 각 노드에 맞는 GNN 아키텍처를 설계하기 위한 아키텍처 예측기(architecture predictor)를 제시한다. 추가 실험을 통해 IIE-GNN이 노드별 GNN을 설계함으로써 클래스 내 정보 추출을 강화함으로써 모델 성능을 향상시킬 수 있음을 입증한다.