본 논문은 대규모 네트워크에서 그래프 신경망(GNN)의 확장성 문제를 해결하기 위해 그래프 샘플링 기법을 제안합니다. 기존의 무작위 샘플링 기법은 불연결된 부분 그래프를 생성하고 모델의 표현력을 감소시키는 문제점을 가지고 있는데, 본 논문에서는 특징의 동질성(feature homophily)을 활용하여 그래프 구조를 보존하는 새로운 샘플링 알고리즘을 제시합니다. 데이터 상관 행렬의 트레이스를 최소화함으로써, 그래프 연결성의 근사치인 그래프 라플라시안 트레이스를 무작위 샘플링보다 더 잘 보존하며, 동시에 스펙트럼 기법보다 계산 복잡도가 낮습니다. 인용 네트워크에 대한 실험 결과, 제안된 알고리즘이 무작위 샘플링보다 라플라시안 트레이스 보존 및 GNN 전이성 측면에서 성능 향상을 보였습니다.
