혼란된 노드를 분리 학습을 통해 명확히 하기

그래프 신경망(GNNs)은 그래프 기반 작업에서 놀라운 성과를 거두었다. 그러나 현실 세계의 그래프는 항상 일정 비율의 이질적 노드(heterophilous nodes)를 포함하고 있으며, 이는 기존 GNN의 동질성 가정(homophily assumption)을 도전하고 성능 향상에 장애가 된다. 기존 대부분의 연구들은 이질적 노드와 동질적 노드 간에 공통 가중치를 공유하는 일반화된 모델을 설계하는 데 주력하고 있다. 고차원 메시지 전달이나 다중 채널 아키텍처를 도입하긴 했지만, 이러한 접근은 종종 한계에 부딪힌다. 소수의 연구는 서로 다른 노드 그룹을 별도로 학습하려는 시도를 했지만, 부적절한 분리 기준과 낮은 효율성 문제를 겪고 있다. 본 논문에서는 노드의 더 신뢰할 수 있는 분리를 가능하게 하는 새로운 지표인 이웃 혼란도(Neighborhood Confusion, NC)를 제안한다. 우리는 NC 값이 다른 노드 그룹이 내부 정확도와 시각화된 임베딩 측면에서 일정한 차이를 보임을 관찰하였다. 이러한 관찰은 NC 지표를 기반으로 한 이웃 혼란도 유도 그래프 컨볼루션 네트워크(NCGCN)의 설계를 가능하게 하며, 이는 노드를 NC 값에 따라 그룹화하고, 그룹 내에서 가중치 공유 및 메시지 전달을 수행하는 구조를 갖는다. 동질적 및 이질적 기준 데이터셋에 대한 광범위한 실험을 통해 제안하는 프레임워크가 노드를 효과적으로 분리하고 최신 기법들에 비해 유의미한 성능 향상을 달성함을 입증하였다. 소스 코드는 https://github.com/GISec-Team/NCGNN 에서 공개될 예정이다.