초록
노드 분류는 그래프 분석 분야에서 가장 핫한 과제 중 하나이다. 기존 연구들은 방향성 있는 그래프와 비방향성 그래프에서 다양한 노드 표현을 탐구해왔지만, 이러한 표현들이 그래프 정보를 포착하는 데 있어 가지는 능력의 차이점을 간과해왔다. 이 한계를 극복하기 위해, 본 연구에서는 입력 그래프 내에서 노드 표현의 다양한 조합(집계된 특징 vs. 인접 리스트)과 간선 방향 인식(방향성 vs. 비방향성)을 종합적으로 탐구한다. 우리는 기존에 없던 첫 번째 실증 연구를 수행하여, 노드 표현과 간선 방향 인식의 다양한 조합을 사용하는 다양한 GNN 모델들의 성능을 체계적으로 평가한다. 실험 결과, 어떤 하나의 조합도 모든 데이터셋에서 일관되게 최고 성능을 보이지 않음을 확인하였으며, 이는 데이터셋의 특성에 따라 적절한 조합을 선택해야 함을 시사한다. 이를 해결하기 위해, 방향성 및 비방향성 그래프 내에서 가능한 모든 노드 표현 조합을 활용하는 간단하면서도 통합적인 분류 방법 A2DUG를 제안한다. 우리는 A2DUG가 다양한 데이터셋에서 안정적으로 뛰어난 성능을 보이며, 최신 기법 대비 정확도를 최대 11.29%까지 향상시킬 수 있음을 실험적으로 입증하였다. 새로운 방법 개발을 촉진하기 위해, 본 연구의 전체 코드베이스를 MIT 라이선스 하에 공개한다.