이종 그래프를 위한 그래프 신경망
최근 그래프 신경망(GNN)은 다양한 그래프 분석 태스크와 애플리케이션에서 빠르게 발전해왔습니다. 대부분의 GNN은 동일한 클래스에 속하는 노드들이 연결될 가능성이 높다는 동질성(homophily) 가정을 기반으로 합니다. 그러나 실제 시나리오에서 흔히 나타나는 이질성(heterophily), 즉 다른 레이블을 가진 노드들이 연결되는 경향은 기존 GNN의 성능을 크게 제한합니다. 이러한 문제에 대응하기 위해, 이 연구는 이질성 그래프를 위한 GNN에 대한 포괄적인 조사를 제공합니다. 기존 이질성 GNN 모델들을 체계적으로 분류하고, 일반적인 요약과 상세한 분석을 제시합니다. 나아가, 이질성과 다양한 그래프 연구 영역 간의 관계를 논의하여, 실제 애플리케이션 및 학습 태스크 전반에 걸쳐 보다 효과적인 GNN 개발을 촉진하고자 합니다. 이 연구는 이질성 그래프 학습을 위한 GNN의 미래 연구 및 응용을 발전시키고 영감을 줄 수 있는 잠재적 방향을 제시합니다.