Mamba 기반 그래프 컨볼루션 네트워크: 선택적 상태 공간을 활용한 과도한 평활화 문제 해결

그래프 신경망 (GNNs)은 다양한 그래프 기반 학습 과제에서 큰 성공을 거두었습니다. 그러나 모델의 깊이가 증가함에 따라 과도한 평활화(over-smoothing) 문제를 자주 겪습니다. 이 문제는 모든 노드 표현이 단일 값으로 수렴하여 구분할 수 없게 되는 현상을 일으킵니다. 이러한 문제는 GNNs의 고유한 제약 조건에서 비롯되며, 다른 이웃에서 오는 정보의 중요성을 구별하는 데 어려움을 겪기 때문입니다. 본 논문에서는 시퀀스 모델링을 위해 설계된 맘바(Mamba) 패러다임에서 영감을 받은 새로운 그래프 컨볼루션 아키텍처인 MbaGCN을 소개합니다. MbaGCN은 메시지 집계 계층(Message Aggregation Layer), 선택적 상태 공간 전이 계층(Selective State Space Transition Layer), 노드 상태 예측 계층(Node State Prediction Layer)이라는 세 가지 주요 구성 요소로 이루어진 새로운 백본(backbone)을 제공합니다. 이 구성 요소들은 서로 협력하여 이웃 정보를 적응적으로 집계하여, 깊은 GNN 모델에 대해 더 큰 유연성과 확장성을 제공합니다. MbaGCN이 각 데이터셋에서 모든 기존 방법보다 항상 우수한 성능을 보이는 것은 아니지만, 맘바 패러다임을 그래프 표현 학습에 효과적으로 통합하는 기초적인 프레임워크를 제공합니다. 벤치마크 데이터셋에 대한 광범위한 실험을 통해 MbaGCN이 그래프 신경망 연구의 미래 발전을 위한 길을 열어놓았음을 입증하였습니다.