본 논문은 그래프 표현 학습에서 스펙트럼 및 곡률 신호를 통합하는 새로운 접근 방식인 Spectro-Riemannian Graph Neural Networks (CUSP)를 제안합니다. CUSP는 곡률 정보(기하학적)와 스펙트럼 정보를 통합하는 혼합 곡률 스펙트럼 GNN으로, 일정 곡률 다양체(쌍곡선, 구면, 유클리드)의 곱에서 노드 임베딩을 최적화하기 위해 스펙트럼 필터를 학습합니다. CUSP는 Ollivier-Ricci 곡률을 기반으로 한 Cusp Laplacian, 다중 리만 그래프 필터를 사용하는 Cusp Filtering, 그리고 곡률 기반 위치 인코딩을 결합한 계층적 어텐션 메커니즘인 Cusp Pooling의 세 가지 새로운 구성 요소를 도입합니다. 8개의 동종 및 이종 데이터셋에 대한 실험 결과, CUSP는 노드 분류 및 링크 예측 작업에서 최첨단 모델보다 최대 5.3% 향상된 성능을 보였습니다.
