그래프 신경망(GNN) 입문: 노드·엣지·메시지 전달과 GCN·GAT 등 5대 모델

핵심 메시지

• 사회관계, 분자, 웹처럼 세상은 '연결(네트워크)'로 이루어져 있지만, 일반 신경망은 깔끔한 표 형태의 데이터를 기대하기 때문에 이런 연결 구조를 다루기 어렵다.
• 그래프는 개체(노드)와 그 사이의 관계(엣지)를 함께 담아내며, 수학적으로는 노드 집합과 엣지 집합의 쌍으로 표현하고 인접 행렬로 연결 관계를 나타낸다.
• GNN의 핵심은 '메시지 전달'로, 노드가 혼자 예측하지 않고 이웃과 정보를 주고받아 자신의 표현(임베딩)을 갱신하며, 층을 쌓을수록 더 멀리 있는 구조까지 학습한다.
• 대표 구조로 GCN(평활화), GraphSAGE(샘플링), GAT(어텐션), GIN(표현력 극대화), 그래프 트랜스포머(전역 어텐션)가 있으며 같은 메시지 전달 아이디어를 다르게 구현한다.

쉽게 이해하기

영상은 '세상은 네트워크로 돌아간다'는 점에서 출발한다. 친구 관계, 분자 구조, 웹페이지의 연결처럼 현실의 많은 데이터는 서로 얽혀 있지만, 대부분의 머신러닝 모델은 정돈된 표 형태의 입력을 가정하기 때문에 이런 연결을 제대로 다루지 못한다. 그래프는 개체의 특성과 그것을 잇는 구조를 동시에 담을 수 있어 이 한계를 메운다.

그래프는 개체에 해당하는 노드(정점)와 그 사이의 관계인 엣지로 구성된다. 수학적으로 그래프 G는 노드 집합과 엣지 집합의 쌍으로 표현되고, 각 엣지는 두 노드를 잇는 쌍이다. 연결 상태는 인접 행렬로 시각화하며, 방향이 있는 그래프에서는 '0번 노드가 1번 노드의 학생'처럼 한 방향 관계만 성립해 행렬의 해당 칸에만 1이 기록된다.

이 구조 정보를 활용하기 위해 노드·엣지·그래프 전체를 저차원 밀집 벡터인 임베딩으로 바꾼다. 임베딩은 구조적 관계와 특성 기반 관계를 함께 담는다. 또한 GNN은 노드와 엣지 종류가 여러 가지인 이질적(heterogeneous) 그래프와, 한 종류뿐인 동질적(homogeneous) 그래프를 모두 다룰 수 있다.

핵심 메커니즘인 메시지 전달은 세 단계로 이뤄진다. 먼저 각 이웃이 특성 벡터나 엣지 가중치 같은 정보를 보내고(메시지 생성), 노드는 이를 합·평균·최댓값·어텐션 등으로 모은 뒤(집계), 모인 정보로 자신의 표현을 갱신한다(업데이트). 층이 깊어질수록 이웃의 이웃까지 정보가 전달돼 지역적 패턴과 전역적 구조를 함께 학습한다.

영상은 다섯 가지 대표 구조를 비교한다. GCN은 CNN처럼 이웃 정보를 평활화하며 준지도 분류에 적합하고, GraphSAGE는 전체 그래프 대신 이웃을 표본으로 뽑아 수백만 노드 규모에도 쓸 수 있다. GAT는 어텐션 가중치로 중요한 이웃에 더 집중하고, GIN은 MLP를 써 표현력을 극대화해 비슷해 보이는 그래프 구조까지 구분한다. 마지막으로 그래프 트랜스포머는 전역 어텐션으로 멀리 떨어진 노드 간 관계까지 포착한다.

주요 인사이트

• 그래프 데이터의 핵심은 '특성'과 '구조'를 함께 담는 것이며, 인접 행렬과 임베딩은 이 둘을 모델이 다룰 수 있는 형태로 옮기는 장치다.
• 메시지 전달에서 층을 더 쌓으면 노드의 표현이 점점 풍부해지지만, 이는 단순히 가까운 이웃을 넘어 '이웃의 이웃'까지 시야를 넓힌다는 뜻이다.
• GIN이 GCN보다 구조 구분에 강한 이유는, 평균·최댓값 풀링이 서로 다른 이웃 패턴을 같은 표현으로 뭉개버리는(단사가 아닌) 한계를 합산과 MLP로 피하기 때문이다. 이는 두 그래프가 구조적으로 같은지 판별하는 WL 테스트와 맞닿아 있다.
• GAT의 어텐션 계수는 학습 가능한 파라미터로 초기화돼 역전파로 갱신되며, 항상 양수이고 합이 1이 되도록 정규화돼 '어떤 이웃이 더 중요한가'를 동적으로 학습한다.
• 그래프 트랜스포머는 일반 트랜스포머의 어텐션에 그래프 구조를 반영하는 편향 항을 더해, 두 노드가 연결됐는지·얼마나 떨어졌는지·어떤 엣지로 이어졌는지 같은 구조 정보를 점수에 녹인다.

자주 묻는 질문

관련 AI 소식