이질적 연결을 가진 그래프를 위한 그래프 신경망 종합 조사

한줄 요약

이질적 연결(heterophily)을 가진 그래프에 특화된 그래프 신경망(GNN) 모델들을 체계적으로 분류하고 분석한 종합 조사 논문.

풀어야 하는 문제

대부분의 GNN은 같은 레이블의 노드끼리 연결된다는 동질적 연결 가정(homophily assumption)에 기반한다. 그러나 현실 그래프에서는 다른 레이블의 노드가 연결되는 이질적 연결(heterophily)이 빈번하며, 이 경우 기존 GNN의 성능이 크게 저하된다. 이에 이질적 그래프에서도 효과적으로 학습할 수 있는 GNN 모델에 대한 체계적인 이해와 분류가 필요하다.

접근 방법

본 논문은 기존 이질적 그래프용 GNN 모델들을 체계적인 분류 체계(taxonomy)로 정리한다. 각 모델의 설계 원리, 장단점, 적용 가능한 그래프 특성을 상세히 분석한다. 또한 이질성(heterophily)과 다양한 그래프 연구 분야(예: 그래프 분류, 링크 예측, 이상 탐지) 간의 관계를 논의하고, 향후 연구 방향을 제시한다.

결과·기여

이질적 그래프 학습 분야의 첫 번째 종합 조사로서, 연구자들이 기존 방법을 이해하고 새로운 방법을 개발하는 데 유용한 기준점을 제공한다. 또한 이질성과 관련된 다양한 그래프 연구 도메인을 연결하여 학제적 발전을 촉진한다.