본 논문은 그래프의 불연속적이고 비유클리드적인 특성으로 인해 기존 그래프 대비 학습(GCL)의 절대적 유사성 보존 방식이 한계를 가지는 문제를 다룹니다. 11개의 실제 그래프 분석을 통해 동형(homophily) 및 이형(heterophily) 그래프 모두에서 구조적 거리가 증가함에 따라 레이블 일관성이 감소하는 보편적인 패턴을 발견하였고, 이를 랜덤 워크 이론을 통해 이론적으로 증명합니다. 이러한 발견을 바탕으로, 상대적 유사성 패턴을 보존하는 새로운 GCL 프레임워크인 RELGCL을 제안합니다. RELGCL은 쌍별 및 목록별 구현을 통해 자연적인 상대적 유사성을 활용하며, 다양한 그래프에서 기존 20개의 방법보다 우수한 성능을 보입니다.
