📌 원문 문제
그래프 신경망(GNN, Graph Neural Network)을 설명하시오.
출제 의도 분석
소셜 네트워크·지식 그래프·분자 구조처럼 비유클리드(Non-Euclidean) 구조 데이터에 딥러닝을 적용하는 기술입니다. 전통 CNN은 격자(이미지)에 최적화되어 있어 그래프 데이터에 직접 적용할 수 없다는 한계를 GNN이 해결합니다.
1. 개념
GNN(Graph Neural Network)이란 노드(Node)·엣지(Edge)·전체 그래프로 구성된 데이터에서 이웃 노드의 정보를 반복적으로 집계하는 메시지 패싱(Message Passing) 메커니즘으로 노드·그래프 레벨의 표현(임베딩)을 학습하는 신경망입니다.
2. 메시지 패싱 메커니즘
각 노드는 이웃 노드의 특성 정보를 수집(Aggregate)하고 자신의 정보와 결합(Update)하여 새로운 표현을 생성합니다. 이 과정을 여러 레이어에 걸쳐 반복하면 k-hop 이웃의 구조 정보가 반영됩니다.
h_v^(k+1) = UPDATE( h_v^(k), AGGREGATE({ h_u^(k) : u ∈ N(v) }) )
h_v: 노드 v의 임베딩, N(v): v의 이웃 집합
h_v: 노드 v의 임베딩, N(v): v의 이웃 집합
3. 주요 GNN 모델 비교
| 모델 | 집계 방식 | 특징 |
|---|---|---|
| GCN | 정규화된 인접행렬 곱 | 구조 단순·연산 효율적. 전이 학습 어려움 |
| GAT | 어텐션 가중 집계 | 이웃 중요도 차별화. 해석 가능성 우수 |
| GraphSAGE | 샘플링 후 집계 | 대규모 그래프 귀납적 학습(Inductive) 가능 |
| GIN | 단사(Injective) 함수 | 그래프 동형(Isomorphism) 구별 능력 최강 |
4. 활용 분야
- 추천 시스템: Pinterest PinSage — 사용자·핀 이분 그래프에서 개인화 추천 (GraphSAGE 기반)
- 신약 개발: 분자 그래프에서 약물 독성·효능 예측. DeepMind AlphaFold 단백질 구조 예측
- 사기 탐지: 금융 거래 그래프에서 이상 패턴 탐지 (PayPal, Alipay 활용)
- 지식 그래프: 엔티티 관계 추론, 질의응답 시스템 강화
✅ 핵심 암기: GNN = 이웃 노드 메시지를 집계·업데이트하여 그래프 임베딩 학습 | GCN(정규화)·GAT(어텐션)·GraphSAGE(샘플링·귀납적)