ALS: Differentiable infinite-step PPR 기반 장거리 그래프 어텐션과 89.51% 학습 가속

그래프 신경망에서 장거리 의존성 문제는 깊이를 늘릴수록 메모리와 계산이 증가하고 oversmoothing이 발생하는 특성이 있는데 ALS는 이 문제를 해결하기 위해 DPPR을 도입해 PPR 출력의 기울기를 또 다른 PPR 과정으로 치환함으로써 중간 활성화 캐시 없이 순전파·역전파의 수렴 반복만으로 동작해 메모리 복잡도를 O(1)로 만들었다. 작은 alpha에서의 느린 수렴을 개선하기 위해 SymGAT+CG, EigenInit, AdaTerm 세 가지 가속 기법을 결합하여 학습 시간을 최대 89.51% 단축하고 IGNN 대비 최소 3.67배 속도 향상을 보고했으며 이들 기법은 독립적으로 재사용 가능하다. DPPR은 전역 저역 필터로서 전역 구조를 캡처하고 SRMP는 K-hop별 독립 변환으로 지역 이질성을 보존하여 heterophily 환경에서도 성능을 유지하며 14개 데이터셋, 16개 비교 설정에서 9개에서 p < 0.01의 유의미한 개선을 보여 전체적으로 SOTA 성능을 달성했다.