연구진이 그래프 뉴럴 네트워크(GNN)와 그래프 트랜스포머(GT) 성능 향상을 위한 '그래프 캐스케이드'라는 새로운 중간 규모 리와이어링 전략을 소개했어요. 이 전략은 전염성 기반 확산 과정을 활용해 반복적인 멀티홉 강화로 연결된 노드 쌍을 직접 이웃으로 연결합니다. 그래프 캐스케이드의 작동 원리를 이론적으로 분석하고, 다양한 벤치마크에서 GNN과 희소 GT의 성능을 개선하는 효과를 확인했어요.
그래프 캐스케이드가 도움이 되는 조건은 강화 기반 에지 선택이 직접 인접성보다 레이블 정렬에 더 효과적일 때이며, 두 홉 강화가 완벽하게 동종성을 보이는 SBM 증거가 있을 때입니다. 또한, 저차수 정규 그래프나 구조적 병목 현상이 있는 그래프에서는 리와이어링이 효과적이지 않을 수 있다는 예측이 관찰 결과와 일치했어요.
실험 결과, 이 전략은 이질적인 그래프와 중간~높은 차수 동종성 그래프에서 가장 안정적인 성능 향상을 보였으며, 리와이어링된 그래프의 구조적 특성과 성능 간의 밀접한 상관관계가 확인됐습니다.