본 논문은 그래프 신경망(GNNs)의 과도한 정보 압축 문제를 해결하기 위해 Schreier-Coset Graph Propagation (SCGP) 기법을 제안합니다. 기존의 Cayley 그래프 기반 GNN들은 이론적으로 우수한 성능을 보이지만, 노드 수의 세제곱에 비례하는 메모리 사용량으로 인해 확장성에 한계가 있습니다. SCGP는 그래프의 토폴로지를 변경하지 않고 Schreier-coset 임베딩을 통해 노드 특징을 풍부하게 함으로써, 장거리 메시지 전달을 개선하고 계산 효율성을 유지합니다. 실험 결과, SCGP는 기존의 expander 그래프 및 재구성된 GNN 기법들과 비교하여 유사하거나 우수한 성능을 보이며, 특히 계층적이고 모듈화된 그래프 구조에서 우수한 확장성과 낮은 메모리 사용량을 통해 실시간 및 자원 제약 환경에 적합함을 보여줍니다.
