🔗 관련 문서: Wikipedia - Graph Neural Network

GNN (그래프 신경망; Graph Neural Network)

GNN은 노드(Node), 엣지(Edge)로 구성된 그래프 구조 데이터를 처리하기 위한 딥러닝 모델이다. 기존의 CNN이나 RNN과 달리, 정형화되지 않은 관계형 데이터를 효과적으로 학습할 수 있도록 설계되었다.

(1) 기본 구조 및 작동 원리

GNN은 노드 간 연결 관계(엣지)를 기반으로 정보를 전파한다. 핵심 개념은 메시지 전달(Message Passing)이다.

1. 각 노드는 자신의 이웃 노드로부터 특성(feature)을 수집한다.
2. 수집한 정보를 통합(aggregation)하여 자신의 상태를 업데이트한다.
3. 이 과정을 여러 번 반복하면 멀리 떨어진 노드의 영향까지 반영된다.

(2) 주요 GNN 유형

• GCN (Graph Convolutional Network): 그래프 위에서 컨볼루션 연산을 수행하는 구조
• GAT (Graph Attention Network): 이웃 노드 간 중요도를 학습하여 가중 평균
• GraphSAGE: 대규모 그래프에 대해 샘플링 기반으로 학습
• GIN (Graph Isomorphism Network): 이론적 구분력이 강력한 GNN

(3) 응용 분야

GNN은 다양한 영역에서 활용되고 있다.

• 소셜 네트워크: 친구 추천, 커뮤니티 탐지
• 추천 시스템: 사용자-아이템 관계 분석
• 지식 그래프: 개체 간 관계 예측, 지식 추론
• 화학 및 생명과학: 분자 구조 분석, 약물 상호작용 예측
• 금융 및 보안: 이상 거래 탐지, 악성 사용자 분류

(4) 장점과 한계

장점

• 비정형 데이터도 학습 가능 (예: 네트워크, 분자, 트리 구조)
• 이웃 정보 활용으로 문맥 기반 예측 가능
• 다양한 응용 분야에서 높은 성능 입증

한계

• 해석 어려움: 블랙박스 문제로 설명 필요 (→ XAI 중요)
• 계산 복잡도: 대규모 그래프에서는 학습 비용 증가
• 과평활(over-smoothing): 반복 연산 시 노드 특징이 유사해지는 문제