혼필리 기반을 넘어서: 구조 인지 경로 집약 그래프 신경망

그래프 신경망(GNNs)은 다양한 실세계 작업에서 집중적으로 연구되어 왔다. 그러나 GNN의 집계 함수가 가정하는 동질성(heomophily) 가정은 이질성(heterophily) 그래프에서의 표현 학습 능력을 제한한다. 본 논문에서는 그래프 내 경로 수준의 패턴에 주목하여, 풍부한 의미적 및 구조적 정보를 명시적으로 반영할 수 있음을 밝힌다. 이를 바탕으로 동질성과 이질성 그래프 모두에 일반화 가능한 구조 인지 경로 집계 그래프 신경망(Structure-aware Path Aggregation Graph Neural Network, PathNet)을 제안한다. 구체적으로, 먼저 구조적 맥락을 포함한 여러 경로를 샘플링할 수 있도록 최대 엔트로피 경로 샘플러를 도입한다. 다음으로, 순서 보존 및 거리 인지 성분을 포함하는 구조 인지 순환 셀을 제안하여 이웃 영역의 의미적 정보를 학습한다. 마지막으로, 경로 인코딩 이후 타깃 노드에 대한 다양한 경로의 선호도를 모델링한다. 실험 결과, 제안한 모델은 이질성 그래프와 동질성 그래프 모두에서 노드 분류 성능에서 유의미한 개선을 보였다.