그래프 신경망(Graph Neural Network, GNN)
1. 개요
가. 정의
노드(정점)와 엣지(간선)로 이루어진 그래프 구조 데이터를 직접 입력으로 받아, 각 노드가 이웃의 정보를 반복적으로 집계(aggregate) 하며 자신의 표현(embedding)을 갱신함으로써 노드·엣지·그래프 수준의 예측을 수행하는 신경망.
전통적인 신경망은 입력이 격자(이미지)나 시퀀스(문장)처럼 규칙적이고 고정된 구조라는 암묵적 가정 위에 서 있다. CNN은 픽셀이 2차원 격자로 정렬돼 있어 고정 크기 필터를 미끄러뜨릴 수 있고, RNN은 토큰이 일렬로 늘어서 있어 순서대로 읽어 나갈 수 있다. 그러나 현실의 많은 데이터는 이런 규칙성을 갖지 않는다. 소셜 네트워크에서 한 사람의 친구 수는 제각각이고, 분자 구조에서 원자가 맺는 결합 수도 원자마다 다르며, 지하철 노선도처럼 연결 관계 자체가 데이터의 핵심 의미를 담는다. 이런 비정형·비유클리드(non-Euclidean) 데이터는 노드마다 이웃 수가 다르고(가변 차수) 노드에 고정된 순서가 없어(순열 불변), 기존 모델을 그대로 적용할 수 없다.
GNN이 2010년대 후반 이후 급부상한 배경에는 세 흐름이 겹친다. 하나는 소셜·전자상거래·IoT의 폭증으로 본질적으로 그래프인 데이터가 폭발적으로 늘었다는 점이고, 둘은 PyTorch Geometric·DGL 같은 라이브러리가 복잡한 메시지 패싱을 표준화해 진입장벽을 크게 낮췄다는 점이며, 셋은 GPU/[[npu]] 발전으로 대규모 희소 행렬 연산이 실용적 속도에 이르렀다는 점이다. 이로써 과거에는 수작업 피처에 의존하던 그래프 문제가 종단간 학습으로 넘어왔다.
억지로 격자로 바꾸려는 시도는 정보를 왜곡한다. 소셜 그래프를 인접행렬로 펴서 CNN에 넣으면 노드 순서가 바뀔 때마다 전혀 다른 입력이 되어, "순서는 의미 없다"는 그래프의 본질을 위반한다. GNN은 이 문제를 "구조를 억지로 격자로 펴는 대신, 연결 관계를 그대로 계산에 반영하자"는 발상으로 풀어낸다. 핵심 통찰은 "한 노드의 의미는 그 이웃들에 의해 규정된다"는 것이다. 즉 어떤 사용자가 어떤 성향인지는 그가 누구와 연결돼 있는지로 상당 부분 설명되고, 어떤 원자의 화학적 역할은 어떤 원자들과 결합했는지로 드러난다. GNN은 이 직관을 이웃 정보의 반복 집계라는 연산으로 구현하며, 그 결과 추천 시스템(이웃 기반 선호 전파), 신약 개발(분자 그래프의 독성·활성 예측), 사기 탐지(거래 네트워크의 이상 패턴), 교통 예측(도로망 기반 혼잡 전파) 등 그래프가 본질인 문제에서 기존 방법 대비 뚜렷한 성능 향상을 가져왔다.
나. 특징
GNN의 설계를 관통하는 성질은 세 가지다. 첫째, 순열 불변성·등변성(permutation invariance/equivariance) — 노드에 번호를 어떻게 매기든 결과가 달라지지 않아야 하며, GNN의 집계 함수(합·평균·최댓값)는 입력 순서에 무관하도록 설계된다. 이미지의 픽셀에는 "왼쪽 위에서 오른쪽 아래"라는 암묵적 순서가 있지만, 그래프의 이웃 집합에는 순서가 없기 때문이다. 둘째, 지역 연결성과 가중치 공유 — CNN이 모든 위치에 같은 필터를 쓰듯, GNN은 모든 노드에 동일한 집계·변환 파라미터를 적용해 크기가 다른 그래프에도 하나의 모델로 대응(귀납적 일반화)한다. 이 덕분에 10개 노드로 학습한 모델을 100만 노드 그래프에 그대로 쓸 수 있다. 셋째, 다중 수준 출력 — 노드 분류(사용자 성향), 링크 예측(엣지 수준, 친구 추천), 그래프 분류(전체 수준, 분자 독성)를 같은 메시지 패싱 틀로 다룰 수 있다.
이러한 특징은 GNN을 "구조를 학습하는 범용 틀"로 만든다. 핵심은 데이터의 형태(격자·시퀀스·그래프)가 아니라 관계 그 자체를 학습 대상으로 삼는다는 점이며, 실제로 CNN·RNN도 격자·사슬 형태의 특수한 그래프로 간주해 GNN의 특수 사례로 해석할 수 있다. 다만 그만큼 설계 자유도가 커서, 집계 방식·층 수·샘플링 전략 등 결정해야 할 요소가 많다는 점은 뒤의 심화·고려사항에서 다룬다.
| 특징 | 내용 | 실무적 의미 |
|---|---|---|
| 순열 불변성 | 노드 번호 부여와 무관한 결과 | 임의 그래프에 일관 적용 |
| 가중치 공유 | 모든 노드에 동일 파라미터 | 크기 다른 그래프 일반화 |
| 다중 수준 출력 | 노드·엣지·그래프 예측 | 하나의 틀로 다양한 과제 |
| 속성+구조 결합 | 노드 특징과 연결을 함께 학습 | 수작업 피처 설계 불필요 |
2. 기본 원리 — 메시지 패싱(Message Passing)
GNN의 거의 모든 변형은 메시지 패싱이라는 공통 틀로 설명된다. 각 노드는 매 층(layer)마다 ① 이웃들로부터 메시지를 받아(Message), ② 이를 순서 무관하게 하나로 합치고(Aggregate), ③ 자신의 기존 표현과 합쳐 갱신(Update) 한다. 이 한 번의 반복이 "이웃 1홉(hop)의 정보를 흡수"하는 것에 해당하므로, 층을 K개 쌓으면 각 노드는 K홉 떨어진 이웃까지의 구조·속성 정보를 자신의 임베딩에 담게 된다. 예컨대 2층 GNN에서 한 사용자의 표현은 친구(1홉)와 친구의 친구(2홉)까지 반영한다.
flowchart LR
subgraph G["입력 그래프"]
A((A)) --- B((B))
A --- C((C))
B --- D((D))
C --- D
end
G --> MP["메시지 패싱 (K층 반복)"]
MP --> EMB["노드 임베딩 h_v"]
EMB --> NODE["노드 분류"]
EMB --> LINK["링크 예측"]
EMB --> GRAPH["그래프 분류 (Readout)"]
이 과정을 수식으로 보면, 노드 v의 k번째 층 표현은 h_v^(k) = UPDATE(h_v^(k-1), AGGREGATE({h_u^(k-1) : u ∈ N(v)}))로 쓴다. 여기서 N(v)는 v의 이웃 집합이다. 집계 함수의 선택이 모델의 성격을 좌우하는데, 평균은 이웃 분포의 대표값을 안정적으로 잡지만 이웃의 개수 차이를 무디게 만들고, 합은 차수(연결 수) 정보를 보존하지만 스케일이 커질 수 있으며, 최댓값은 두드러진 이웃 특징을 포착한다. 그래프 전체를 하나의 벡터로 요약해야 하는 그래프 분류에서는 모든 노드 임베딩을 합치는 Readout(풀링) 단계를 추가로 둔다.
메시지 패싱이 강력한 이유는 구조와 속성을 동시에, 그리고 자동으로 섞는다는 점이다. 예컨대 사기 탐지에서 한 계좌의 위험도는 자신의 거래 패턴(속성)뿐 아니라 어떤 계좌들과 얼마나 연결됐는지(구조)에 함께 달려 있는데, 메시지 패싱은 이웃의 속성을 끌어와 자신의 표현에 녹이므로 두 신호를 자연스럽게 결합한다. 반대로 이것이 약점이 되기도 한다. 잘못 연결된 엣지 하나가 이웃을 통해 오염된 메시지를 퍼뜨리면 오류가 전파·증폭되므로, 입력 그래프의 품질이 성능에 직결된다.
GNN의 출력은 과제에 따라 세 수준으로 나뉘며, 어느 수준이든 같은 노드 임베딩에서 출발한다. 노드 수준은 각 노드 임베딩을 분류기에 넣어 사용자 성향·논문 주제를 맞히고, 엣지(링크) 수준은 두 노드 임베딩을 결합해 둘이 연결될 가능성(친구 추천·약물 상호작용)을 예측하며, 그래프 수준은 Readout으로 전체를 요약해 분자 전체의 독성·용해도를 판정한다. 하나의 학습된 표현을 여러 과제에 재사용할 수 있다는 점이 GNN의 실무적 이점이다.
| 단계 | 연산 | 역할 |
|---|---|---|
| Message | 이웃 u의 표현을 변환해 전달 | 전달할 정보 생성 |
| Aggregate | 합·평균·최댓값 등으로 합산 | 순열 불변 집계 |
| Update | 기존 표현과 결합(가중치·활성화) | 노드 표현 갱신 |
| Readout | 전체 노드 임베딩 풀링 | 그래프 수준 표현(선택) |
3. 주요 아키텍처(GCN·GraphSAGE·GAT)
메시지 패싱의 세 요소(특히 어떻게 집계하느냐)를 어떻게 구체화하는지에 따라 대표 아키텍처가 갈린다. 아래 그림은 한 노드가 이웃을 받아들여 표현을 만드는 과정을 아키텍처별 집계 방식 중심으로 나타낸 것이다.
flowchart TB
N1["이웃 노드 특징"] --> AGG{"집계 방식"}
AGG -->|"정규화 가중 합 (차수 기반)"| GCN["GCN"]
AGG -->|"샘플링 + 평균/LSTM/풀"| SAGE["GraphSAGE"]
AGG -->|"어텐션 가중 합 (학습된 중요도)"| GAT["GAT"]
GCN --> TRANS["선형변환 + 활성화"]
SAGE --> TRANS
GAT --> TRANS
TRANS --> OUT["다음 층 노드 표현"]
가. GCN(Graph Convolutional Network). GCN은 이미지의 합성곱을 그래프로 일반화한 가장 기초적인 모델이다. 핵심 아이디어는 이웃 표현을 단순 평균이 아니라 차수로 정규화한 가중 합으로 모으는 것이다. 연결이 많은(차수가 높은) 이웃은 영향력이 과대평가되기 쉬우므로, 자신과 이웃의 차수 제곱근으로 나누어(1/√(d_u·d_v)) 영향력을 조정한다.
이 정규화가 중요한 이유는 그래프의 차수 분포가 극단적으로 불균형하기 때문이다. 소셜 네트워크에서 유명인은 수백만 팔로워를, 일반 사용자는 수십 명을 갖는데, 정규화 없이 단순 합산하면 고차수 노드가 신호를 지배해 학습이 불안정해진다. GCN은 이를 수학적으로 깔끔하게 눌러 준다. 다만 GCN은 그래프 전체의 인접행렬을 한 번에 쓰는 전이적(transductive) 방식이라 학습 때 보지 못한 새 노드에 바로 적용하기 어렵고, 모든 이웃을 똑같이(정규화 가중치만큼) 대한다는 한계가 있다. 따라서 노드 구성이 거의 바뀌지 않는 고정 그래프(예: 논문 인용망의 주제 분류, 소셜 그래프의 커뮤니티 탐지)에 적합하며, 신규 노드가 빈번한 서비스에는 재학습 부담이 크다.
나. GraphSAGE(SAmple and aggreGatE). 실제 서비스의 그래프는 수억 개 노드로 이뤄져 전체 이웃을 매번 집계하기가 비현실적이고, 신규 사용자·상품이 끊임없이 추가된다. GraphSAGE는 이 문제를 이웃 샘플링으로 푼다. 각 노드마다 이웃을 고정 개수(예: 1홉 25개, 2홉 10개)만 무작위로 뽑아 집계하므로, 차수가 제각각인 그래프에서도 계산량이 일정하게 유지되어 대규모 그래프에서도 미니배치 학습이 가능하다.
더 본질적인 차별점은 GraphSAGE가 노드별 임베딩 자체가 아니라 "이웃을 어떻게 집계할지"라는 함수(평균·LSTM·풀링)와 변환 가중치를 학습한다는 데 있다. 함수만 학습해 두면 학습에 없던 새 노드가 들어와도 그 이웃을 모아 즉시 표현을 계산할 수 있어 귀납적(inductive) 일반화가 성립한다. Pinterest의 추천 시스템 PinSage가 수십억 규모의 핀–보드 그래프에 이 방식을 적용해 매일 추가되는 신규 핀을 재학습 없이 처리한 것이 대표 사례다. 이런 성질 때문에 추천·광고처럼 콘텐츠가 실시간으로 늘어나는 도메인에서 사실상 표준으로 쓰인다.
다. GAT(Graph Attention Network). GCN이 이웃을 차수만으로 가중한다면, GAT는 "어떤 이웃이 나에게 더 중요한가"를 데이터로 학습한다. 각 이웃 쌍에 대해 어텐션 계수를 계산하고 이를 가중치로 삼아 집계하므로, 같은 수의 이웃이라도 의미가 큰 연결에 더 집중한다.
예를 들어 논문 인용 네트워크에서 같은 주제를 깊이 다룬 핵심 인용과 관례적·형식적 인용을 구분해 전자에 더 큰 가중치를 줄 수 있고, 분자 그래프에서는 반응성에 결정적인 결합에 집중할 수 있다. GCN의 고정 가중치가 "모든 이웃을 구조적 중요도만큼 대한다"면, GAT는 "내용적 중요도까지 학습해 반영한다"는 점에서 한 단계 유연하다. 다중 헤드 어텐션으로 여러 관점을 병렬 학습해 한 관점의 편향을 완화하고 안정성을 높이지만, 모든 엣지에 대해 계수를 계산하므로 연산량과 메모리가 늘어나 초대규모 그래프에서는 샘플링과 병행해야 한다.
라. GIN(Graph Isomorphism Network)과 표현력. 집계 함수를 어떻게 고르느냐는 단지 성능 문제가 아니라 모델이 구조적으로 다른 그래프를 구별할 수 있느냐라는 근본 한계와 맞닿아 있다. 평균·최댓값 집계는 이웃의 "분포"는 보지만 "개수"를 뭉개 버려, 서로 다른 구조를 같은 표현으로 착각할 수 있다. 예컨대 이웃이 하나인 노드와 똑같은 이웃이 둘인 노드를 평균 집계는 구별하지 못한다. GIN은 집계에 합(sum)과 단사(injective) 함수를 써서 이런 중복 정보를 보존하도록 설계됐고, 그 표현력이 그래프 동형 판별의 고전 기법인 Weisfeiler-Lehman 검사와 동등함이 이론적으로 증명됐다. 이는 GNN 설계에서 "집계 함수의 선택이 모델의 이론적 상한을 정한다"는 중요한 교훈을 주며, 분자처럼 미세한 구조 차이가 성질을 가르는 그래프 분류에서 특히 중요하다.
| 구분 | GCN | GraphSAGE | GAT |
|---|---|---|---|
| 집계 핵심 | 차수 정규화 가중 합 | 이웃 샘플링+집계함수 | 어텐션 가중 합 |
| 학습 방식 | 전이적(transductive) | 귀납적(inductive) | 귀납/전이 모두 |
| 대규모 확장 | 약함(전체 인접행렬) | 강함(샘플링·미니배치) | 중간(엣지별 계산) |
| 이웃 중요도 | 고정(차수 기반) | 균등/집계함수 | 학습된 가변 가중치 |
| 대표 사례 | 커뮤니티 분류 | PinSage 추천 | 인용망·분자 분석 |
4. 비교 — 왜 기존 모델 대신 GNN인가
같은 데이터를 전통적 방법으로도 다룰 수는 있다. 예컨대 그래프의 구조 정보를 버리고 노드 속성만 모아 일반 MLP에 넣거나, 사람이 직접 "이웃 수·삼각형 수" 같은 그래프 피처를 수작업으로 설계해 분류기에 넣는 방식이다. 그러나 전자는 연결 관계라는 핵심 신호를 통째로 버려 성능이 크게 떨어지고, 후자는 피처 설계에 전문 지식과 시행착오가 들며 새로운 문제마다 다시 해야 한다. GNN은 구조와 속성을 함께, 데이터로부터 자동으로 학습한다는 점에서 근본적으로 유리하다.
Node2Vec·DeepWalk 같은 그래프 임베딩 기법과의 차이도 분명하다. 이들은 랜덤워크로 노드별 벡터를 미리 학습해 두지만, 노드 속성을 쓰지 못하고 학습에 없던 새 노드를 처리하지 못하는 전이적 한계가 있다. 반면 GNN은 노드 속성을 집계에 녹여 쓰고 귀납적 일반화가 가능하다. 실제로 신약 후보 물질의 독성 예측 벤치마크(예: MoleculeNet)에서 분자를 그래프로 표현한 GNN이 전통적 분자 지문(fingerprint) 기반 모델을 상회하는 결과가 다수 보고됐으며, 이런 차이가 생기는 근본 원인은 "표현을 사람이 설계하느냐, 데이터가 구조째로 학습하느냐"에 있다.
| 비교 대상 | 구조 정보 | 노드 속성 | 새 노드 대응 | 특징 설계 |
|---|---|---|---|---|
| MLP(속성만) | 사용 안 함 | 사용 | 가능 | 자동 |
| 수작업 그래프 피처 | 부분(사람이 요약) | 사용 | 가능 | 수작업 |
| 그래프 임베딩(Node2Vec) | 사용 | 미사용 | 불가(전이적) | 자동 |
| GNN | 사용(메시지 패싱) | 사용 | 가능(귀납적) | 자동 |
표에서 보듯 GNN은 네 축을 모두 만족하는 유일한 접근이며, 이 때문에 연결 관계가 풍부하고 노드마다 의미 있는 속성이 있는 문제에서 선택지가 된다. 다만 "항상 우월"한 것은 아니며, 연결이 희박하거나 무의미한 데이터에서는 오히려 잡음을 끌어와 성능이 떨어질 수 있다는 점은 뒤의 고려사항에서 다룬다.
5. 심화 — 과평활화 문제와 최신 동향
가. 과평활화(Over-smoothing)와 실무적 함의. GNN은 층을 많이 쌓을수록 먼 이웃까지 본다는 장점이 있지만, 역설적으로 층이 깊어지면 모든 노드의 표현이 서로 비슷해져 구별이 안 되는 과평활화가 발생한다. 반복 집계가 결국 그래프 전체의 평균으로 수렴하기 때문이다.
직관적으로 설명하면, 집계는 매 층마다 이웃과 표현을 "섞는" 연산인데, 이를 무한히 반복하면 잉크 한 방울이 물에 퍼지듯 모든 노드가 같은 색으로 균질화된다. 연결이 조밀한 그래프일수록 이 현상이 빨라, 6홉만 거쳐도 임의의 두 사람이 연결된다는 좁은 세상(small-world) 특성을 가진 소셜 그래프에서는 56층만 쌓아도 표현이 뭉개진다. 그래서 실무 GNN은 23층 수준으로 얕게 쓰는 경우가 많고, 이를 극복하려 잔차연결(residual)·초기 표현 재주입(JKNet)·엣지 드롭아웃(DropEdge) 같은 기법을 병행한다. 이는 "깊이가 곧 성능"인 CNN과 대비되는 GNN 특유의 설계 제약으로, 기술사 관점에서 얕은 모델로 장거리 의존성을 어떻게 확보할 것인가가 핵심 설계 과제가 된다.
나. 최신 동향. 첫째, 시공간 GNN(Spatio-Temporal GNN) 은 그래프 구조에 시간축을 결합해 교통 혼잡 예측, 전력 수요 예측에 쓰인다 — 도로망(공간)과 시간대(시간)를 함께 모델링해, 한 교차로의 정체가 인접 구간으로 번지는 양상을 공간 전파와 시계열 패턴으로 동시에 추정한다. 둘째, GNN과 LLM의 결합이 활발하다. 지식그래프를 GNN으로 임베딩해 검색증강생성([[rag]])의 근거로 삼는 GraphRAG 계열은, 문서 조각만 검색하는 기존 RAG보다 엔터티 간 관계를 따라가는 다중 홉 추론에 강하다. 예컨대 "A 회사의 자회사가 투자한 스타트업의 대표"처럼 여러 관계를 연쇄로 타고 들어가는 질의에서, 단순 유사도 검색은 근거 조각을 흩어진 채로 가져오지만 그래프 탐색은 경로를 따라 정확히 좁혀 준다. 셋째, 그래프 트랜스포머처럼 어텐션을 그래프 전역으로 확장해 과평활화·장거리 의존성 문제를 완화하려는 시도가 이어진다. 이들 동향은 아직 표준이 확립되는 단계이므로 특정 수치·우열은 단정하기 어렵다.
다. 산업 적용 사례. 금융에서는 계좌·거래를 그래프로 보고 자금세탁·이상거래 탐지에 GNN을 적용해, 단건으로는 정상이지만 네트워크 구조상 수상한 거래 고리(순환 송금, 다단계 분산 송금)를 포착한다. 규칙 기반 탐지가 놓치는 구조적 이상을 잡아내는 것이 핵심 가치다. 물류·배송에서는 도로망 그래프 기반 경로·수요 예측에, 통신에서는 네트워크 토폴로지 기반 장애 전파 분석에 쓰인다. 전자상거래에서는 사용자–상품 이분 그래프로 협업 필터링을 강화해 [[recommendation-system]]의 정확도를 높이며, 이는 GraphSAGE 계열이 가장 널리 쓰이는 영역이다.
| 산업 | 그래프 정의(노드–엣지) | 과제 수준 | 기대 효과 |
|---|---|---|---|
| 추천·광고 | 사용자–상품, 구매·클릭 | 링크 예측 | 희소 데이터 보완·정확도↑ |
| 금융 | 계좌·거래, 송금 관계 | 노드/부분그래프 | 구조적 이상거래 탐지 |
| 신약·소재 | 원자–결합(분자) | 그래프 분류 | 독성·활성 사전 선별 |
| 교통·에너지 | 지점–연결(도로·전력망) | 시공간 예측 | 혼잡·수요 선제 대응 |
| 지식·검색 | 엔터티–관계(지식그래프) | 다중 홉 추론 | GraphRAG 근거 강화 |
이 사례들의 공통점은 "관계가 곧 신호"라는 데 있다. 거래 한 건, 원자 하나, 도로 한 구간을 따로 보면 평범하지만, 그것들이 어떻게 연결됐는지에 핵심 정보가 숨어 있는 문제일수록 GNN의 이점이 커진다. 반대로 관계가 예측에 거의 기여하지 않는 문제라면 GNN의 복잡성은 비용만 늘릴 뿐이므로, 도입 전에 "연결을 끊어도 성능이 유지되는가"를 간단한 실험(엣지 제거 후 비교)으로 점검하는 것이 실무적으로 유용하다.
6. 고려사항 및 시사점
GNN 도입은 단순한 모델 교체가 아니라 데이터를 그래프로 모델링하는 역량과 운영 체계를 요구한다. 기술사 관점에서 다음을 종합적으로 고려해야 한다.
- 적용 적합성 판단: 모든 문제에 GNN이 유리하지는 않다. 연결 관계가 예측에 실질적 신호를 주는지(예: 추천·사기탐지·분자)를 먼저 검증하고, 구조가 희박하거나 무의미하면 표 형식 데이터용 모델(GBM 등)이 더 낫다. "그래프로 표현할 가치가 있는가"가 출발점이다.
- 확장성·운영 트레이드오프: 수억 노드 그래프는 전체 집계가 불가능하므로 샘플링(GraphSAGE)·분산 그래프 저장·근사 집계가 필수다. 실시간 추론에서는 이웃 조회 지연이 병목이 되므로, 임베딩 사전계산과 온라인 갱신 사이의 균형을 설계해야 한다.
- 깊이 대 표현력의 상충: 과평활화 탓에 층을 깊게 하기 어려우므로, 장거리 의존성이 중요한 문제는 잔차연결·그래프 트랜스포머·멀티스케일 설계로 보완하고, 층 수를 성능·비용과 함께 실험적으로 정해야 한다.
- 데이터 품질·편향·설명가능성: 그래프의 누락 엣지·잘못된 연결은 메시지 패싱을 통해 오류를 전파·증폭시킨다. 또한 금융·채용 등 민감 도메인에서는 연결 구조에 내재한 편향이 차별로 이어질 수 있어, [[explainable-ai]] 기법(중요 엣지·부분그래프 설명)과 공정성 점검을 병행해야 한다.
- 적대적 공격·보안: 그래프는 엣지 한두 개를 교묘히 추가·삭제하는 것만으로 예측을 뒤집는 구조적 적대 공격에 취약하다. 사기 탐지·콘텐츠 검열처럼 공격자가 존재하는 도메인에서는 엣지 변조에 견디는 견고성(robustness) 확보와 이상 연결 탐지를 함께 설계해야 한다.
- 연계 기술과 전망: 지식그래프·[[vector-database]]·LLM과 결합한 GraphRAG, 피처스토어([[feature-store]])를 통한 그래프 피처 운영, MLOps 파이프라인으로의 통합이 과제다. 중장기적으로 GNN은 관계형·연결형 데이터의 표준 표현 학습 수단으로 자리잡되, 트랜스포머 계열과 수렴·경쟁하며 발전할 전망이다.
참고자료
- Kipf & Welling, "Semi-Supervised Classification with Graph Convolutional Networks" (GCN), https://arxiv.org/abs/1609.02907
- Hamilton et al., "Inductive Representation Learning on Large Graphs" (GraphSAGE), https://arxiv.org/abs/1706.02216
- Veličković et al., "Graph Attention Networks" (GAT), https://arxiv.org/abs/1710.10903
- Xu et al., "How Powerful are Graph Neural Networks?" (GIN), https://arxiv.org/abs/1810.00826
- Stanford CS224W, Machine Learning with Graphs, https://web.stanford.edu/class/cs224w/
- PyTorch Geometric Documentation, https://pytorch-geometric.readthedocs.io/
한 줄 요약: GNN은 노드가 이웃 정보를 반복 집계(메시지 패싱)해 표현을 학습하는 신경망으로, GCN·GraphSAGE·GAT 등 집계 방식의 차이로 발전하며 추천·신약·사기탐지 등 그래프가 본질인 문제에서 강점을 갖는다.