본 논문은 노드 분류에서 우수한 성능을 보이는 그래프 신경망(GNNs)의 한계를 극복하기 위해 서브그래프 기반 접근법을 제시합니다. 기존 GNNs는 전역 메시지 전달에 의존하여 계산 및 메모리 비용이 높다는 단점이 있습니다. 이를 해결하기 위해 제안된 SubGND는 노드 분류 문제를 서브그래프 분류 문제로 재정의하고, 차별화된 제로 패딩 전략, Ego-Alter 서브그래프 표현 방법, 적응형 특징 스케일링 메커니즘을 도입하여 전역 정보 손실 없이 효율성을 높입니다. 여러 벤치마크 데이터셋 실험 결과, SubGND는 특히 이종친화적 환경에서 전역 메시지 전달 GNNs와 비슷하거나 뛰어난 성능을 보이며, 확장성과 정확성을 모두 만족하는 노드 분류 솔루션임을 입증합니다.
