그래프 신경망 (GNNs)에서의 노드 분류 (Node classification)는 그래프 분석의 다양한 분야에서 널리 적용되어 왔습니다. GNN은 동일한 클래스 레이블을 가진 노드들이 서로 연결되는 경향이 있는 동질적 그래프 (homophilous graphs)에서 높은 정확도의 노드 분류를 달성합니다. 그러나 서로 다른 클래스 레이블을 가진 노드들이 연결될 가능성이 더 높은 이질적 그래프 (heterophilous graphs)에서는 성능이 여전히 제한적입니다. 특히, 그래프 컨볼루션 네트워크 (graph convolutional networks)에서 파생된 현재의 GNN은 실제 이질적 그래프에서 빈번하게 관찰되는 고차 클래스 레이블 연결성 (higher-order class label connectivity)을 포착하지 못합니다. 이 문제를 해결하기 위해, 우리는 유향 그래프 (directed graphs)에서 고차 클래스 레이블 연결성을 포착하도록 설계된 새로운 분류기인 레이블 컨텍스트 분류기 (Label Context Classifier, LCC)를 제안합니다. LCC는 네 가지 서로 다른 유형의 워크 (walks)를 통해 생성되는 레이블 컨텍스트 임베딩 (label context embeddings)을 활용하여 대상 노드의 클래스 레이블을 추정합니다. 또한, 우리의 접근 방식은 LCC와 임의의 GNN의 중요도를 적응적으로 학습함으로써 두 모델의 통합을 허용합니다. 실험 결과, LCC와 통합된 GNN은 SOTA (State-of-the-art) 방법들보다 뛰어난 성능을 보였으며, 레이블 컨텍스트 임베딩이 이질적 유향 그래프에서의 노드 분류 성능을 향상시킨다는 것을 입증하였습니다.