그래프 신경망 (graph neural network)
쉽게 풀면
사람 관계망을 생각해보면, 어떤 사람을 이해하려면 그 사람 혼자만 보는 게 아니라 주변 친구들이 누구인지도 함께 봐야 합니다. 그래프 신경망은 각 노드(사람, 분자의 원자, 웹페이지 등)가 자신과 연결된 이웃 노드들의 정보를 모아서 자신의 표현을 갱신하는 과정을 여러 층에 걸쳐 반복합니다. 이렇게 하면 표나 이미지처럼 격자 형태로 정리되지 않은, 연결 관계 자체가 핵심인 데이터(소셜 네트워크, 분자 구조, 도로망 등)를 효과적으로 다룰 수 있습니다.
왜 중요한가
현실의 많은 데이터는 표나 이미지처럼 정렬된 형태가 아니라 소셜 네트워크, 분자 구조, 지식 그래프, 교통망처럼 노드와 연결 관계로 이루어져 있습니다. 그래프 신경망은 이런 구조를 그대로 활용해 학습할 수 있는 거의 유일한 표준적 방법이어서, 추천 시스템·신약 개발·교통 예측·지식그래프 추론 등 여러 응용 연구의 공통 기반 기술로 다뤄집니다. 또한 그래프 신경망이 어떤 정보를 잘 모으고 어떤 한계를 갖는지에 대한 이론적 분석 자체도 활발한 연구 주제입니다.
논문에서는 이렇게 쓰입니다
이 문장은 분자 구조를 그래프로 표현하고, 그래프 신경망이 원자(노드) 사이의 결합 관계(엣지)를 반영해 물성이라는 출력값을 예측했다는 뜻입니다.
추천 시스템 연구에서 사용자와 상품을 각각 노드로, 구매·클릭 등의 상호작용을 엣지로 놓고 그래프 신경망을 적용한 예시입니다.
교통 예측 분야에서 도로망 자체의 위상 구조를 그래프 신경망에 입력해 시공간적 흐름을 예측하는 방식을 보여줍니다.
조금 더 깊게 보면
대부분의 그래프 신경망은 각 층에서 이웃 노드의 표현을 모아 자신의 표현을 갱신하는 메시지 전달(message passing) 방식을 따르며, 이웃 정보를 합치는 방법(평균, 합, 어텐션 가중 등)에 따라 GCN, GraphSAGE, GAT 등 다양한 변형이 존재합니다. 층을 너무 깊게 쌓으면 모든 노드의 표현이 비슷해져 구분이 어려워지는 과평활화(over-smoothing) 문제가 흔히 논의되며, 이를 완화하기 위한 잔차 연결이나 정규화 기법도 함께 다뤄집니다.
주의할 점
합성곱 신경망이 격자 형태로 정렬된 이미지에 적합하다면, 그래프 신경망은 노드 간 연결 순서가 정해져 있지 않은 비유클리드 구조의 데이터에 적합합니다. 두 구조 모두 "이웃 정보를 모은다"는 아이디어를 공유하지만, 입력 데이터의 형태가 근본적으로 다르다는 점에 유의해야 합니다.