Graph Neural Networks (GNNs)는 노드 분류 작업에서 성공을 거두었지만, 연결된 노드가 서로 다른 레이블이나 속성에 속하는 이질적인 그래프에서는 성능이 저하됩니다. 본 논문은 고정된 집계 깊이를 사용하는 기존 GNN의 한계를 지적하고, 노드의 지역적 동질성 수준과 주변 구조에 따라 최적의 전파 깊이가 다르다는 점을 강조합니다. 이에 따라 노드별로 동적으로 집계 깊이를 선택하는 새로운 적응형 깊이 GNN 아키텍처를 제안합니다. 이 모델은 이론적 근거를 바탕으로 하며, 동질성 및 이질성 패턴 모두에 유연하게 적응하며, 다양한 벤치마크에서 기존 GNN 백본의 성능을 향상시키는 것으로 나타났습니다.
