노드 중심의 스펙트럴 필터링을 통한 그래프 신경망

그래프 신경망(GNNs)은 동질성(호모필리)을 가진 그래프 데이터에서 뛰어난 성능을 보였지만, GNN의 본질적인 저역 필터링 성질로 인해 비동질성 그래프 데이터 처리에서는 그다지 인상적인 성능을 보이지 못하고 있다. 일반적으로 현실 세계의 그래프는 다양한 하위 그래프 패턴이 복합적으로 혼합된 경우가 많기 때문에, 현재 대부분의 연구들이 전역적 관점에서 그래프에 대한 보편적인 스펙트럼 필터를 학습하는 방식은 국소적 패턴의 변동성에 적응하는 데 큰 어려움을 겪을 수 있다. 본 연구는 국소적 패턴에 대한 이론적 분석을 기반으로 기존의 스펙트럼 필터링 방법을 재고하고, 노드 중심의 스펙트럼 필터링을 위한 그래프 신경망(NFGNN)을 제안한다. NFGNN은 각 노드에 대해 노드 중심의 스펙트럼 필터를 추정함으로써, 일반화된 이동 연산자(Generalized Translated Operator)를 통해 정밀한 국소적 노드 위치 추정 능력을 갖추게 되어, 국소적 동질성 패턴의 변화를 적응적으로 구분할 수 있다. 동시에 재매개변수화(Re-parameterization) 기법을 활용함으로써, 전역적 일관성과 국소적 민감성 사이의 우수한 균형을 달성할 수 있다. 더불어, NFGNN의 국소화 성질에 대한 이론적 분석을 통해 적응적 필터링 이후 신호가 여전히 해당 노드 주변에 집중되어 있음을 입증하였다. 광범위한 실험 결과를 통해 제안된 NFGNN이 더 우수한 성능을 달성함을 확인하였다.