초록
그래프 신경망(GNNs)은 그래프 표현 학습 분야에서 주류적인 접근 방식으로 자리 잡아왔다. 그러나 대부분의 GNN들은 동질성(호모필리) 그래프에 적용되며, 이질성(헤테로필리) 그래프에서는 성능이 저조하다. 또한, GNN들은 직접 연결된 이웃 노드를 반복적으로 집계하여 노드 표현을 생성하는 과정에서 장거리 의존성과 1-호프 이웃 간의 복잡한 상호작용을 직접적으로 포착하지 못한다. 더불어, 그래프 구조의 구성 요소로 여겨지는 구조적 패턴, 예를 들어 모티프(motifs)는 풍부한 위상적 및 의미적 정보를 포함하고 있으며, 보다 깊이 있는 연구가 필요하다. 본 논문에서는 이러한 구조적 패턴을 일반화하고 풍부하게 정의하기 위해 공통 이웃 기반의 모티프(CN-motifs)를 제안한다. 우리는 1-호프 이웃들을 그룹화하고, CN-motifs에 기반하여 고차원 그래프를 구축하며, 이를 바탕으로 새로운 프레임워크인 CN-motifs Perceptive Graph Neural Networks(CNMPGNN)을 제안한다. 이는 앞서 언급된 문제들을 효과적으로 해결할 수 있다. 특히, 구조적 패턴을 적극적으로 활용함으로써, 본 모델은 여러 동질성 및 이질성 데이터셋에서 최신 기준(SOTA) 성능을 달성하였다.