초록
그래프 신경망(GNNs)은 딥러닝 분야에서 가장 주목받는 연구 주제 중 하나이다. 기존의 GNN 방법들은 일반적으로 그래프 신호 처리 이론 위에 설계되어 왔다. 특히, 확산 방정식은 GNN의 핵심 처리 계층 설계에 널리 활용되어 왔으며, 이로 인해 필연적으로 유명한 과도한 평활화(oversmoothing) 문제에 취약해진다. 최근 몇몇 논문들이 확산 방정식과 함께 반응 방정식에 주목하기 시작했지만, 이들 모두 제한된 형태의 반응 방정식만을 고려하였다. 이를 해결하기 위해, 본 연구에서는 기존에 널리 사용되는 모든 주요 형태의 반응 방정식을 포함하고, 우리가 설계한 특수한 형태의 반응 방정식까지 고려한 반응-확산 방정식 기반 GNN 방법을 제안한다. 우리 연구가 최초로 보고하는 바와 같이, 본 논문은 반응-확산 방정식 기반 GNN에 관한 가장 포괄적인 연구 중 하나이다. 9개의 데이터셋과 28개의 기준 모델을 대상으로 한 실험 결과, 제안하는 방법인 GREAD는 다수의 경우에서 기존 방법들을 능가함을 확인하였다. 추가로 수행한 합성 데이터 실험을 통해, 본 방법이 과도한 평활화 문제를 완화하며 다양한 동질성 비율(homophily rates)에 대해 우수한 성능을 발휘함을 입증하였다.