GNN(Graph Neural Network, 그래프 신경망)에 대해 알아보겠습니다.

Ⅰ. GNN(Graph Neural Network, 그래프 신경망) 등장 배경

 기존의 딥러닝 모델(CNN, RNN 등)은 데이터가 격자 구조(이미지)나 시퀀스 구조(텍스트)처럼 ,규칙적인 형태(Euclidean Data),일 때 매우 잘 작동합니다.하지만 세상의 많은 데이터는 훨씬 복잡하고 불규칙한 ,비유클리드 구조(Non-Euclidean Data),를 가지고 있습니다.

 1) 소셜 네트워크: 사용자 간의 복잡한 팔로우 관계

 2) 분자 구조: 원자들의 결합 형태

 3) 추천 시스템: 사용자와 상품 간의 상호작용

이런 데이터들은 단순히 행과 열로 표현하기 어렵습니다. 이처럼 개체(Node)들 사이의 관계(Edge)를 직접적으로 모델링하기 위해 등장한 것이 바로 GNN (Graph Neural Network, 그래프 신경망) 입니다.

Ⅱ. GNN(Graph Neural Network, 그래프 신경망) 이란?

 ⅰ. GNN(Graph Neural Network, 그래프 신경망) 개념

   - 데이터를 그래프(Graph) 형태로 이해합니다.

   - 노드(Node, $V$): 대상 (예: 사용자, 원자)

   - 엣지(Edge, $E$): 연결 관계 (예: 친구 관계, 화학 결합)

 ⅱ. GNN(Graph Neural Network, 그래프 신경망) 목적

 각 노드가 주변 노드들과 어떻게 연결되어 있는지 맥락(Context)을 파악하여, 노드의 특성을 가장 잘 나타내는 수치값(Embedding)을 찾아내는 것입니다.

Ⅲ. GNN(Graph Neural Network, 그래프 신경망) 동작원리

 ⅰ. GNN(Graph Neural Network, 그래프 신경망) 동작

 '이웃 노드로부터 정보를 전달받아 자신의 상태를 업데이트하는 것',입니다. 이를 보통 Message Passing이라고 부르며 3단계로 진행됩니다.

   - Aggregate (집계): 특정 노드(주인공)가 주변에 연결된 이웃 노드들의 정보(Feature)를 수집합니다.

   - Combine (결합): 수집된 이웃들의 정보와 주인공 노드 본인의 정보를 합칩니다.

   - Update (업데이트): 합쳐진 정보를 신경망(MLP 등)에 통과시켜 노드의 새로운 상태값(Vector)을 계산합니다.

이 과정을 여러 번 반복하면, 각 노드는 직접 연결된 이웃뿐만 아니라 건너건너 있는 노드들의 정보까지 흡수하여 그래프 전체의 구조적인 특징을 반영하게 됩니다.

Ⅳ. GNN(Graph Neural Network, 그래프 신경망) 장·단점

 ⅰ. GNN(Graph Neural Network, 그래프 신경망) 장점

   1) 관계의 특화: 데이터 간의 복잡한 상호작용과 종속성을 직접 학습할 수 있습니다.

   2) 유연한 구조: 노드나 엣지의 개수가 가변적인 데이터도 처리 가능합니다.

     (이미지는 크기가 정해져 있어야 하지만, 그래프는 상관없음)

   3) 강력한 추론 능력: 보지 못한 연결 관계를 예측(Link Prediction)하거나 노드를 분류하는 데 뛰어납니다.

 ⅱ. GNN(Graph Neural Network, 그래프 신경망) 단점

   1) 단점연산 복잡도: 그래프가 거대해질수록 이웃 정보를 모으는 연산량이 기하급수적으로 늘어납니다.

      ex) 페이스북

   2) Over-smoothing 문제: 레이어를 너무 깊게 쌓으면 모든 노드의 정보가 비슷해져서 개별 노드의 특성이 사라지는 현상이 발생합니다.

Ⅳ. GNN(Graph Neural Network, 그래프 신경망) 활용 사례

분류	내용
추천 시스템	사용자의 구매 이력을 그래프로 분석해 취향 저격 상품 추천
신약 개발	화합물의 분자 그래프를 분석해 독성 유무나 결합 가능성 예측
이상 탐지	금융 거래망에서 비정상적인 흐름(사기 결제)탐지