그래프 신경망(Graph Neural Networks, GNNs)은 대부분의 간선이 동일한 라벨을 가진 두 노드를 연결하는 동질적(homophilic) 네트워크에서 만족스러운 성능을 보인다. 그러나 그래프가 이질적(heterophilic, 낮은 동질성)으로 변하면 그 효과가 감소하여, 다양한 메시지 전달(message-passing) 기법에 대한 탐색이 이루어져 왔다. 특히, 이질적 간선에 음의 가중치를 부여하는 서명 전달(signed propagation)을 메시지 전달에 적용하는 접근은 상당한 주목을 받아 왔으며, 일부 연구에서는 그 효과를 이론적으로도 확인하였다. 그럼에도 불구하고, 선행 정리들은 이진 분류 시나리오를 가정하고 있어 여러 클래스를 포함하는 그래프에서는 그 전제가 잘 성립하지 않을 수 있다. 이러한 한계를 해결하기 위해, 우리는 다중 클래스 환경에서의 GNN에 대한 새로운 이론적 통찰을 제공하고, 서명 전달을 사용하는 것의 결점이 메시지 전달 관점과 파라미터 업데이트 관점의 두 측면에서 모두 나타남을 규명한다. 우리는 특징 분포를 고려하지 않은 서명 전달이 서로 다른 이웃의 구분 가능성을 저하시킬 수 있으며, 이는 예측 불확실성(예: 상충하는 증거) 또한 증가시켜 불안정성을 초래할 수 있음을 발견하였다. 이러한 한계를 극복하기 위해, 우리는 예측에서 엔트로피를 감소시키면서 판별력을 향상시키는 두 가지 새로운 보정(calibration) 전략을 제안한다. 이론적 분석과 광범위한 실험 분석을 통해, 제안한 방법들이 서명 기반 및 일반 메시지 전달 신경망(Choi et al. 2023) 모두에서 성능을 향상시킴을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.