엣지 방향성이 이질적 그래프에서 학습을 개선한다.

그래프 신경망 (GNNs)은 관계 데이터를 모델링하는 표준 도구로 자리 잡았습니다. 그러나 많은 실제 그래프가 방향성을 가지는 반면, 현재의 대부분 GNN 모델들은 단순히 그래프를 무방향으로 만들어 이 정보를 완전히 버리고 있습니다. 이러한 현상의 이유는 역사적입니다: 1) 초기 스펙트럼 GNN 변형들 중 많은 부분이 명시적으로 무방향 그래프를 요구했으며, 2) 호모필릭 그래프에서의 첫 번째 벤치마크는 방향성을 사용함으로써 유의미한 성능 향상을 발견하지 못했습니다. 본 논문에서는 이질필릭 환경에서 그래프를 방향성 있게 처리하면 그래프의 효과적인 호모필리를 증가시키며, 이는 방향성 정보의 올바른 활용을 통해 잠재적인 성능 향상을 시사한다고 보여줍니다. 이를 위해 우리는 방향 그래프 신경망 (Dir-GNN)이라는 새로운 딥러닝 프레임워크를 소개합니다. Dir-GNN은 입력 및 출력 엣지를 별도로 집계하여 엣지 방향성 정보를 고려할 수 있도록 어떤 메시지 패싱 신경망 (MPNN)도 확장할 수 있는 방법을 제시합니다. 우리는 Dir-GNN이 방향 Weisfeiler-Lehman 테스트와 같은 표현력을 갖음을 증명하였으며, 이는 기존 MPNN보다 우수함을 의미합니다. 광범위한 실험을 통해 우리의 프레임워크가 호모필릭 데이터셋에서는 성능 변화를 almost unchanged(거의 변화 없음) 유지하면서, 이질필릭 벤치마크에서는 GCN, GAT 및 GraphSage와 같은 기본 모델들에 비해 큰 성능 향상을 가져왔음을 검증하였습니다. 또한 매우 복잡한 방법들을 능가하며 새로운 최신 결과(SOTA)를 달성하였습니다.