GNNDLD: 방향성 레이블 분포를 갖는 그래프 신경망

그래프 구조를 활용함으로써 그래프 신경망(Graph Neural Networks, GNN)은 그래프 기반 데이터셋에 유용한 모델로 부상하고 있다. 일반적으로 GNN이 기초 신경망보다 우수하다는 가정이 널리 받아들여지고 있으나, 최근 연구에서는 일부 데이터셋에서는 신경망이 GNN보다 더 뛰어난 성능을 보이는 경우가 있음을 밝혀냈다. 그래프 신경망의 성능 저하의 주요 원인 중 하나로 이질성(heterophily)이 지적되며, 이를 해결하기 위한 다양한 모델들이 제안되어 왔다. 더불어, 그래프 구조 내에 내재된 일부 정보, 예를 들어 간선의 방향성(edge direction)은 종종 간과되고 있다. 본 연구에서는 노드 주변의 다양한 이웃(호프-wise)에서 간선의 방향성과 레이블 분포를 활용하는 GNNDLD 모델을 제안한다. 다양한 층에서 추출한 특징을 모두 결합함으로써, 노드의 저주파 성분과 고주파 성분을 모두 유지한다. 신경망의 각 층은 서로 다른 유형의 정보를 제공하므로, 이와 같은 전략이 효과적이다. 또한, 과도한 평활화(oversmoothing)를 방지하기 위해 노드 특징 집계와 변환 연산을 분리한다. 이러한 개념들을 종합함으로써, 간단하면서도 매우 효율적인 모델을 제안한다. 6개의 표준 실-world 데이터셋에 대한 실험 결과, GNNDLD는 동질성(homophily)과 이질성(heterophily) 상황에서 모두 최신 기술(state-of-the-art) 모델들보다 우수한 성능을 보였다.