시그널은 치료가 아니다: 이질적 그래프에서의 학습을 위한 멀티셋-투-멀티셋 메시지 전달

그래프 신경망(GNNs)은 동질성 있는 그래프 구조 데이터에 대해 강력한 모델링 및 추론 방법으로 주목받고 있다. 그러나 이웃 노드의 레이블이나 특징이 상이한 이질성 그래프(heterophilic graphs) 환경에서는 GNN의 성능이 제한되며, 이를 극복하기 위해 부호화 메시지 전달(Signed Message Passing, SMP)이 널리 채택되어 왔다. 그러나 SMP의 한계에 대한 이론적 및 실험적 분석은 여전히 부족한 실정이다. 본 연구에서는 SMP의 잠재적 문제점과 이를 해결할 수 있는 대안을 제시한다. 먼저 SMP의 두 가지 주요 한계를 규명한다. 첫째, 다단계 이웃(multi-hop neighbors)에 대한 표현 업데이트가 바람직하지 않은 방향으로 이루어진다는 점이며, 둘째, 과도한 평활화(oversmoothing) 문제에 취약하다는 점이다. 이러한 문제를 해결하기 위해, 다중집합에서 다중집합으로의 메시지 전달을 가능하게 하는 새로운 메시지 전달 함수를 제안한다. 이를 바탕으로 Multiset to Multiset GNN(M2M-GNN)을 설계하였다. 이론적 분석과 광범위한 실험을 통해 M2M-GNN이 SMP의 위의 한계를 효과적으로 완화함을 입증하였으며, 특히 다양한 이질성 그래프 데이터셋에서 기존 방법 대비 우수한 성능을 보였다.