본 논문은 대규모 그래프에 대한 그래프 신경망(GNN)의 확장성 문제를 해결하기 위해, 특징 동종성(feature homophily)을 활용한 새로운 그래프 샘플링 알고리즘을 제안합니다. 기존의 무작위 샘플링 기반 GNN 전이 학습 방법은 불연결된 부분 그래프 생성 및 모델 표현력 저하 문제를 야기하지만, 본 논문의 알고리즘은 데이터 상관 행렬의 트레이스를 최소화함으로써 그래프 라플라시안 트레이스(그래프 연결성의 근사치)를 더 잘 보존합니다. 이는 스펙트럼 기반 방법보다 계산 복잡도가 낮으면서도, 인용 네트워크 실험에서 무작위 샘플링보다 그래프 라플라시안 트레이스 보존 및 GNN 전이 학습 성능 향상을 보여줍니다.
