본 논문은 그래프의 비유클리드적 특성으로 인해 기존 그래프 대비 학습(GCL)이 어려움을 겪는 문제를 해결하기 위해, 그래프 내 구조적 거리와 레이블 일관성 간의 관계를 분석하여 새로운 GCL 프레임워크인 RELGCL을 제시합니다. 11개의 실제 그래프를 분석하여 동형 및 이형 그래프 모두에서 구조적 거리가 증가함에 따라 레이블 일관성이 감소하는 패턴(homophily 그래프에서는 부드러운 감소, heterophily 그래프에서는 진동하는 감소)을 발견하고, 무작위 워크 이론을 통해 이를 이론적으로 증명합니다. 이러한 발견을 바탕으로, 절대적 유사성 대신 그래프에 내재된 상대적 유사성 패턴을 보존하는 RELGCL을 제안하며, 실험을 통해 기존 20개의 접근 방식보다 성능이 우수함을 보여줍니다.
