본 논문은 방향 그래프(digraph)의 풍부한 정보를 활용하는 그래프 신경망(GNN)을 제안합니다. 기존의 방향 그래프 GNN들은 복잡한 학습 메커니즘과 고품질 토폴로지 의존성으로 인해 효율성과 성능 안정성이 낮은 한계를 가지고 있습니다. 이를 해결하기 위해, 본 논문에서는 대부분의 공간 기반 DiGNN에 적용 가능한 플러그 앤 플레이 전략이자 새로운 방향 그래프 학습 패러다임을 제공하는 Directed Random Walk (DiRW)를 제안합니다. DiRW는 노드 프로필과 토폴로지를 고려하여 가중치 없이 경로 확률, 길이, 개수를 최적화하는 방향 인식 경로 샘플러를 활용하며, 노드별 학습 가능한 경로 집계기를 통합하여 일반화된 노드 표현을 생성합니다. 9개의 데이터셋에 대한 광범위한 실험을 통해 DiRW가 플러그 앤 플레이 전략으로 대부분의 공간 기반 방법을 향상시키고, 새로운 방향 그래프 학습 패러다임으로 최첨단 성능을 달성함을 보여줍니다.
