「그래프 구조의 데이터를 다루고 싶지만, GNN을 어디서부터 시작해야 할지 모르겠다」

제가 처음 GNN을 공부하기 시작했을 때, 딱 그런 상태였습니다. 논문을 읽어도 수식의 유도가 따라가지 못하고, 튜토리얼 코드는 돌아가지만 무엇을 하고 있는지 모르겠는——그러한 경험을 거쳐, 「내가 원했던 입문서」를 써보자고 결심한 것이 이 시리즈의 계기입니다.

전 5회 시리즈 「Graph Neural Networks 입문과 최전선」 을 Zenn Books로서 공개했습니다. GCN·GraphSAGE·GAT의 수학적 기초부터 PyTorch 구현, 부정 탐지·신약 개발·지식 그래프와 같은 산업 응용의 최전선까지, 이론·구현·업무 응용의 세 축을 한 권에 담았습니다.

이 시리즈를 작성한 방침

일관되게 의식한 것은, 「왜 이 기법이 탄생했는가」라는 배경부터 시작하는 것입니다. GNN 입문서는 「이론만」 혹은 「코드만」에 치우치기 쉽지만, 설계상의 동기를 이해한 뒤에 구현을 읽으면 코드의 의미가 완전히 다르게 보입니다.

또한, 제13회는 초급중급자용, 제45회는 중상급자용으로 단계적으로 난이도가 높아지는 구성으로 되어 있어, 「기초만 알고 싶다」, 「구현만 보고 싶다」, 「업무 응용 이야기를 읽고 싶다」와 같이 중간부터 읽는 방식의 활용도 가능합니다.

목차

제1회｜그래프와 신경망의 만남——왜 GNN이 필요한가, 그 직관과 수학적 기초

GNN 이야기를 하기 전에, 먼저 「왜 기존의 ML (Machine Learning)로 그래프를 다룰 수 없는가」를 정리했습니다. 비유클리드 구조·가변 사이즈라는 제약 사항에 대한 이야기부터, 스펙트럴 그래프 이론 (Spectral Graph Theory) → 라플라시안 (Laplacian) → 체비쇼프 근사 (Chebyshev Approximation) → GCN 으로 이어지는 유도 과정을 상세히 따라갑니다. 노드 분류 (Node Classification)・그래프 분류 (Graph Classification)・링크 예측 (Link Prediction)이라는 주요 태스크의 전체상도 여기서 파악할 수 있습니다.

참조 논문: Kipf & Welling, Semi-Supervised Classification with GCN (ICLR 2017)

제2회｜GCN을 넘어——GraphSAGE·GAT·MPNN으로 배우는 아키텍처 진화의 계보

GCN이 해결하지 못했던 문제(대규모 그래프로의 스케일링, 인접 노드의 가중치 부여)에 대해 각각 어떻게 접근했는가라는 관점에서 GraphSAGE·GAT·MPNN을 비교합니다. 「3가지 기법 중 어떤 것을 사용해야 하는가」라는 선택 지침도 정리했습니다.

참조 논문: Hamilton et al. (NeurIPS 2017), Veličković et al. (ICLR 2018), Gilmer et al. (ICML 2017)

제3회｜PyTorch로 GCN을 제로부터 구현하기——자동 미분·PyG·학습 루프 완전 이해

구현에 특화된 회차입니다. PyTorch의 Autograd (계산 그래프의 동적 구축) 메커니즘을 해설한 뒤, MessagePassing 기저 클래스를 상속한 GCN 레이어를 스크래치 구현합니다. Cora 데이터셋 (논문 인용 네트워크)에서 노드 분류 태스크를 완전 구현하고, 마지막에 PyG의 내장 GCNConv와 대비하는 구성으로 만들었습니다. 「코드가 돌아가긴 하지만, 무엇을 하고 있는지 모르겠다」는 상태에서 벗어나는 것을 의식하며 작성했습니다.

참조 논문: Fey & Lenssen, PyTorch Geometric (ICLR Workshop 2019)

제4회｜GNN은 어디까지 왔는가——Graph Transformer·표현력의 이론·LLM 융합까지, 아키텍처 진화의 10년

여기서부터는 연구 동향 이야기입니다. WL 동형 테스트 (WL isomorphism test)에 의한 표현력의 이론적 상한, Over-smoothing과 그 대책, Graph Transformer, 그리고 GNN×LLM의 융합까지, 여러 논문을 횡단하며 정리했습니다. 「GNN의 기초는 알고 있지만, 최신 동향을 캐치업하고 싶다」는 분들을 위한 회차입니다.

참조 논문: Xu et al. GIN (ICLR 2019), Rong et al. DropEdge (ICLR 2020), Dwivedi et al. Graph Transformer (2020) 외

제5회｜GNN이 바꾸는 비즈니스 현장——부정 탐지·교통 예측·신약 개발·지식 그래프, 산업 응용의 최전선

최종회는 업무 응용 이야기입니다. 부정 탐지·교통량 예측·신약 개발·지식 그래프 추론의 4개 도메인을 다루며, 각 도메인에서의 그래프 정의 방식, 대표적인 논문, 실무에 도입할 때의 과제를 정리하고 있습니다. 「GNN을 사용할 수 있을지 판단하고 싶다」는 실무자를 위해, 기법 선택 의사결정 체크리스트도 실었습니다.

참조 논문: Liu et al. GraphConsis (2020), Berry & Cheng GNN Drug Discovery Survey (2025), Schlichtkrull R-GCN (2018) 외

대상 독자

SALT2 에 대하여

제가 소속된 SALT2는 생성 AI (Generative AI)·예측 모델·최적화를 결합한 맞춤형 AI 솔루션을 제공하는 AI 스타트업입니다. 수요 예측·재고 최적화·AI Agent 개발 등을 다루고 있으며, 2025년 10월부터 부스트 컨설팅 주식회사 (Boost Consulting Co., Ltd.)의 그룹사가 되었습니다.

데이터 사이언티스트·엔지니어 채용 및 인턴을 수시로 모집하고 있습니다. 관심이 있으신 분은 언제든 편하게 연락해 주시기 바랍니다.

Discussion