본 논문은 동종성(homophily)을 보이는 그래프에 대해서는 잘 작동하지만 이종성(heterophily)을 보이는 그래프에서는 성능이 저하되는 그래프 합성곱 신경망(GCN)의 한계를 다룹니다. 특히, 노드 수준 작업에서는 동종성 및 이종성 요소를 구분하여 학습하는 전략이 효과적임이 입증되었지만, 그래프 수준 작업에서는 관련 연구가 부족하다는 점을 지적합니다. 이를 해결하기 위해, 노드의 카테고리 ID를 활용하여 그래프 내 동종성(카테고리 내)과 이종성(카테고리 간) 요소를 구분하여 분석합니다. GCN이 카테고리 내 정보 추출에는 뛰어나지만, 카테고리 간 요소로부터 노이즈를 잡는 경향이 있음을 발견하고, 카테고리 내 및 카테고리 간 요소에 대해 별도의 학습 전략을 적용해야 함을 주장합니다. 따라서, 카테고리 내 합성곱(IntraNet)과 카테고리 간 고역 통과 그래프 합성곱(InterNet)을 결합하여 각 요소를 별도로 학습하는 DivGNN을 제안합니다. IntraNet은 정교한 그래프 전처리 단계와 새로운 카테고리 기반 그래프 판독 함수를 사용하고, InterNet은 고역 통과 필터를 사용하여 노드 차이를 증폭시켜 고주파수 구성 요소의 세부 정보 인식을 향상시킵니다. DivGNN은 IntraNet과 InterNet을 게이트 메커니즘으로 결합하여 그래프 수준 작업의 분류 성능을 크게 향상시키고 기존 GNN 기준 모델보다 효과적임을 보입니다.
