본 논문은 그래프 신경망(GNNs)에서 나타나는 차수 편향 문제를 해결하기 위해 새로운 모델인 DegFairGT를 제안합니다. 기존 GNNs는 인접 노드 간의 유사성(homophily)에 기반한 메시지 전달 방식을 사용하는데, 긴 꼬리 분포를 가진 실제 그래프에서는 고차수 노드가 메시지 전달을 지배하여 저차수 노드가 과소 표현되는 문제가 발생합니다. DegFairGT는 학습 가능한 구조적 증강(learnable structural augmentation)과 구조적 자기 주의(structural self-attention)를 통해 비인접 노드 간의 구조적 유사성을 발견하여 저차수 노드에 추가적인 메시지를 제공합니다. 특히, 같은 커뮤니티 내에서 유사한 역할을 하는 비인접 노드 간에 정보가 풍부한 에지를 생성하여 homophily 원칙을 유지하면서 정보 전달을 개선합니다. 또한, 자기 지도 학습(Self-Supervised Learning)을 통해 전역 그래프 구조를 보존하고 그래프 증강이 그래프 구조를 해치지 않도록 규제합니다. 여섯 개의 데이터셋에 대한 실험 결과, DegFairGT는 차수 공정성 분석, 노드 분류, 노드 클러스터링 작업에서 최첨단 기준 모델들을 능가하는 성능을 보였습니다.
