이질적 그래프 상에서 잠재적 동질성 구조를 정제하여 강건한 그래프 컨볼루션 네트워크 구현하기

그래프 컨볼루션 네트워크(GCNs)는 공간 데이터로부터 지식을 탐색하는 다양한 그래프 작업에 널리 활용되고 있다. 본 연구는 노드 분류를 위한 보편적으로 존재하는 이질적 그래프(heterophilic graphs)에서 GCN의 견고성(robustness)을 정량적으로 탐구한 최초의 시도이다. 우리는 주요 취약성의 원인이 구조적 분포 외부(out-of-distribution, OOD) 문제에 기인함을 밝혀냈다. 이 발견은 이질적 그래프 상에서 잠재적인 동질적 구조(latent homophilic structures)를 자동으로 학습함으로써 GCN의 견고성을 강화하는 새로운 방법론을 제안하게 되었다. 이를 LHS(Latent Homophilic Structures)라 명명한다. 구체적으로, 본 연구의 초기 단계에서는 다중 노드 상호작용 기반의 새로운 자기표현(self-expressive) 기법을 활용하여 잠재적 구조를 학습한다. 이후, 쌍별 제약 조건을 가진 이중 시점 대조 학습(dual-view contrastive learning) 방식을 통해 해당 구조를 정제한다. 이러한 과정을 반복적으로 수행함으로써, GCN 모델이 이질적 그래프에서도 동질적 방식으로 정보를 집계할 수 있도록 한다. 이러한 적응형 구조를 갖추게 되면, 이질적 그래프 상에서의 구조적 OOD 위협을 효과적으로 완화할 수 있다. 다양한 벤치마크에서 수행된 실험을 통해 제안된 LHS 방법론이 견고한 GCN 구현에 효과적임을 입증하였다.