반도체 노드 분류에서 동질성과 이질성의 얽힘을 깨는 연구

최근 그래프 신경망(GNN)은 그래프 데이터베이스로부터의 지식을 활용함으로써 반감독 학습 환경에서 노드 분류 작업에서 뛰어난 성능을 보여주고 있다. 그러나 기존의 대부분의 GNN은 동질성(호모필리) 가정을 따르며, 이는 연결된 노드들이 유사한 특성 분포와 동일한 레이블을 가질 가능성이 높다는 전제에 기반한다. 그러나 이러한 가정은 점점 더 많은 실용적 응용 사례에서 취약함이 입증되고 있다. 이를 보완하기 위해 이질성(헤테로필리)은 연결된 노드 간의 비유사성을 반영하며, 최근 그래프 학습 분야에서 주목받고 있다. 이러한 맥락에서 데이터 엔지니어들은 동질성과 이질성 환경에서 모두 우수한 성능을 보장할 수 있는 강력한 GNN 모델 개발을 목표로 하고 있다. 그럼에도 불구하고, 기존의 많은 GNN 모델들은 비방향 그래프의 제약 조건으로 인해 최적의 노드 표현을 달성하는 데 어려움을 겪고 있다. 방향성 있는 간선을 무시함으로써 그래프 표현이 최적화되지 않아, GNN의 학습 능력이 제한된다. 이 문제를 해결하기 위해 본 연구는 통계적 관점에서 노드 프로파일과 그래프 구조 간의 관계를 정량화하는 AMUD(Adaptive Modeling of Undirected and Directed graphs)를 제안한다. 이를 통해 자연스러운 방향성 그래프를 비방향 또는 방향성 그래프로 적응적으로 모델링함으로써, 후속 그래프 학습 과정에서의 이점을 극대화할 수 있는 유용한 통찰을 제공한다. 더불어, AMUD를 기반으로 적응형 방향 패턴 집계(Adaptive Directed Pattern Aggregation, ADPA)라는 새로운 방향성 그래프 학습 프레임워크를 제안한다. 실증 연구를 통해 AMUD가 효율적인 그래프 학습을 안내함을 입증하였으며, 16개의 벤치마크 데이터셋에서 수행된 광범위한 실험 결과 ADPA가 기존의 베이스라인 모델들보다 평균적으로 3.96%의 유의미한 성능 향상을 보였음을 확인하였다.