Graph Neural Networks (GNNs)는 그래프 구조 데이터 학습에 성공적이지만, 연결된 노드가 특징이나 클래스 레이블에서 다른, 이질적 그래프에서 어려움을 겪습니다. 이러한 한계를 해결하기 위해, GLANCE (Graph Logic Attention Network with Cluster Enhancement)를 제안합니다. 이는 논리 기반 추론, 동적 그래프 정제, 적응형 클러스터링을 통합하여 그래프 표현 학습을 향상시키는 프레임워크입니다. GLANCE는 해석 가능하고 구조화된 임베딩을 위한 논리 레이어, 노이즈 제거를 위한 다중 헤드 어텐션 기반 엣지 가지치기, 전역 패턴 포착을 위한 클러스터링 메커니즘을 결합합니다. Cornell, Texas, Wisconsin 등의 벤치마크 데이터셋 실험 결과, GLANCE는 경쟁력 있는 성능을 달성하여 이질적 그래프 시나리오에 강력하고 해석 가능한 솔루션을 제공합니다.
