그래프 신경망(GNN)은 그래프 구조 데이터 학습에 강력한 도구이지만, 지역적 정보와 전역적 정보의 균형을 맞추는 데 어려움을 겪습니다. 그래프 트랜스포머는 장거리 상호작용을 가능하게 하여 이 문제를 해결하려 하지만, 메시지 전달 신경망(MPNN)의 고유한 지역성과 효율성을 간과하는 경향이 있습니다. 본 논문에서는 실제 네트워크에서 관찰되는 프랙탈 구조에서 영감을 얻은 프랙탈 노드라는 새로운 개념을 제안합니다. 그래프 분할이 자연스럽게 프랙탈 구조를 유도한다는 직관에 기반하며, 하위 그래프는 종종 전체 그래프의 연결 패턴을 반영합니다. 프랙탈 노드는 기존 노드와 함께 존재하며 하위 그래프 수준의 특징 표현을 적응적으로 집계하여 각 하위 그래프 내에서 특징 유사성을 강화하도록 설계되었습니다. 프랙탈 노드는 하위 그래프 수준 표현의 장거리 전파를 가능하게 하는 직접적인 지름길 연결을 제공함으로써 과도한 압착 문제를 완화합니다. 실험 결과는 본 방법이 MPNN의 표현력을 향상시키고, MPNN의 계산 효율성을 유지하면서 그래프 트랜스포머와 유사하거나 더 나은 성능을 달성함을 보여줍니다.
