그래프 신경망(GNN)은 노드 분류 작업에 뛰어나지만, 연결된 노드가 유사한 레이블을 공유한다는 동질성을 가정하는 경우가 많습니다. 이 가정은 많은 실제 이질적 그래프에서는 성립하지 않습니다. 이질적 그래프를 위한 기존 모델은 주로 쌍별 관계에 의존하여 고차 구조에서 얻을 수 있는 멀티 스케일 정보를 간과합니다. 이는 특히 노드 간의 상충되는 클래스 정보로 인한 노이즈 하에서 최적의 성능을 내지 못하게 합니다. 이러한 문제를 해결하기 위해, 우리는 고차 개인화 페이지랭크(PPR)를 그래프 신경망과 통합한 새로운 모델인 HPGNN을 제안합니다. HPGNN은 장거리 및 멀티 스케일 노드 상호 작용을 포착하기 위해 개인화 페이지랭크(PPR)의 효율적인 고차 근사를 도입합니다. 이 접근 방식은 계산 복잡성을 줄이고 주변 정보로 인한 노이즈를 완화합니다. HPGNN은 고차 구조 정보를 컨볼루션 네트워크에 임베딩함으로써, 다양한 그래프 차원에서 주요 상호 작용을 효과적으로 모델링합니다. 벤치마크 데이터 세트에 대한 광범위한 실험은 HPGNN의 효과를 보여줍니다. 이 모델은 다운스트림 작업에서 이질적 그래프에 대해 7개의 최첨단 방법 중 5개보다 더 나은 성능을 달성하는 동시에 동질적 그래프에서도 경쟁력 있는 성능을 유지합니다. HPGNN은 멀티 스케일 정보의 균형을 유지하고 노이즈에 대한 강인성을 유지하는 능력 덕분에 실제 그래프 학습 문제에 대한 다재다능한 솔루션입니다.
