[논문] 이질성 그래프를 위한 고차 클래스 레이블 연결성을 활용한 그래프 신경망

출처: arXiv - 2606.07475v1

개요

그래프 신경망(GNN)에서 노드 분류는 그래프 분석의 다양한 분야에 널리 적용되고 있습니다. GNN은 동일한 클래스 레이블을 가진 노드들이 서로 연결되는 동질성 그래프에서 높은 정확도의 노드 분류를 달성합니다. 그러나 레이블이 다른 노드들이 더 많이 연결되는 이질성 그래프에서는 성능이 제한됩니다. 특히, 그래프 컨볼루션 네트워크에서 파생된 기존 GNN은 실제 이질성 그래프에서 자주 관찰되는 고차원 클래스 레이블 연결성을 포착하지 못합니다. 이 문제를 해결하기 위해 우리는 방향 그래프에서 고차원 클래스 레이블 연결성을 포착하도록 설계된 새로운 분류기인 Label Context Classifier (LCC) 를 제안합니다. LCC는 네 가지 유형의 워크를 통해 생성된 레이블 컨텍스트 임베딩을 활용하여 목표 노드의 클래스 레이블을 추정합니다. 또한, 우리의 접근 방식은 LCC와 任意의 GNN을 중요도를 적응적으로 학습함으로써 통합할 수 있게 합니다. 실험 결과, LCC와 통합된 GNN은 최신 방법들을 능가했으며, 레이블 컨텍스트 임베딩은 이질성 방향 그래프에서 노드 분류 성능을 향상시켰습니다.

주요 기여

이 논문은 다음 분야의 연구를 제시합니다:

• cs.LG
• cs.AI

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

이 연구는 cs.LG 분야의 발전에 기여합니다.

저자

• Takuto Takahashi
• Itsuki Nakayama
• Takahiro Mitani
• Ryosuke Kikuchi
• Yuya Sasaki
• Makoto Onizuka

논문 정보

• arXiv ID: 2606.07475v1
• 분류: cs.LG, cs.AI
• 발표일: 2026년 6월 5일
• PDF: PDF 다운로드