초록
그래프 신경망(GNN)은 그래프 기반 작업에서 강력한 성능을 입증해왔다. 그러나 현실 세계의 많은 그래프는 동질성(homophilous)이 아닌 비동질성(heterophilous) 구조를 지니고 있어, 기존 GNN의 동질성 가정에 도전을 가한다. 이 보편성 문제를 해결하기 위해 많은 연구들은 네트워크를 깊게 하거나 중간 표현을 연결하는 방식을 제안해왔으나, 이러한 방법들은 이웃 집계 방식을 본질적으로 변화시키지 못하고 노이즈를 추가하는 문제가 있다. 최근 연구들은 동질성을 특성화하는 새로운 지표를 제안하고 있지만, 제안된 지표와 모델 간의 상관관계를 고려하는 경우는 드물다. 본 논문에서는 먼저, 노드 이웃 내의 레이블 복잡성 또는 순도를 측정하기 위해 새로운 지표인 이웃 동질성(Neighborhood Homophily, NH)을 제안한다. 더불어, 이 지표를 전통적인 그래프 컨볼루션 네트워크(GCN) 아키텍처에 통합하여, 이웃 동질성 기반 그래프 컨볼루션 네트워크(NHGCN)를 제안한다. 본 프레임워크에서는 추정된 NH 값에 따라 이웃을 그룹화하고, 서로 다른 채널에서 각각 집계한 후, 결과로 얻어진 노드 예측값을 이용해 NH 값을 다시 추정하고 업데이트한다. 이 지표 추정과 모델 추론 과정을 번갈아 최적화함으로써 더 나은 노드 분류 성능을 달성한다. NHGCN은 동질성과 비동질성 모두에 대해 최상의 전반적인 성능을 기록하였으며, 기존 최고 성능(SOTA) 방법 대비 최대 7.4%의 성능 향상을 달성하였다.