본 논문은 그래프 머신러닝에서 장거리 상호작용 모델링, 즉 그래프의 멀리 떨어진 부분 간 정보 전파의 어려움을 해결하기 위해 장거리 그래프 웨이블릿 네트워크(LR-GWN)를 제안합니다. 기존 웨이블릿 기반 그래프 신경망은 유한 차수 다항식 근사에 의존하여 수용 영역이 제한되고 장거리 전파가 어렵다는 한계가 있습니다. LR-GWN은 웨이블릿 필터를 상보적인 국소 및 전역 구성 요소로 분해하여 이 문제를 해결합니다. 국소 집계는 효율적인 저차 다항식으로 처리하고, 장거리 상호작용은 유연한 스펙트럼 영역 매개변수화를 통해 포착합니다. 이러한 하이브리드 설계는 원칙적인 웨이블릿 프레임워크 내에서 단거리 및 장거리 정보 흐름을 통합합니다. 실험 결과, LR-GWN은 장거리 벤치마크에서 웨이블릿 기반 방법 중 최첨단 성능을 달성하면서 단거리 데이터셋에서도 경쟁력 있는 성능을 보여줍니다.
