그래프 신경망 (Graph Neural Networks, GNNs)은 뇌파 (electroencephalography, EEG) 기반의 우울증 인식 성능을 향상시키기 위해 공간적 기능적 연결성 (spatial functional connectivity) 패턴을 포착하는 데 널리 사용되어 왔습니다. 그러나 우울증 환자의 뇌 네트워크 기능적 연결성은 내재적인 계층적 구조 (hierarchical structure)를 나타내며, 이로 인해 정확한 연결 패턴을 포착하는 데 어려움이 있습니다. 이러한 문제를 해결하기 위해, 본 논문은 우울증의 영향을 받는 뇌 네트워크의 실제 계층적 구조를 정확하게 추출하는 것을 목표로 하는 Sample-Adaptive Hyperbolic Graph Neural Network (SA-HGNN)라는 새로운 모델을 제안합니다. 구체적으로, 제안된 모델은 세 가지 핵심 모듈로 구성됩니다. 첫째, Sample-Adaptive Graph Construction 모듈은 개인화된 뇌 네트워크 토폴로지 (topologies)를 동적으로 구축하여 뇌 네트워크 내의 더 복잡한 공간적 관계를 포착합니다. 둘째, 유클리드 공간 (Euclidean space)의 표현 병목 현상을 극복하기 위해 쌍곡선 그래프 컨볼루션 (hyperbolic graph convolution)을 채택하며, 쌍곡선 기하학 (hyperbolic geometry)을 활용하여 뇌 네트워크 내의 잠재적인 계층적 관계를 정밀하게 포착합니다. 마지막으로, Attention Pooling 모듈은 EEG 신호에서 매우 중복된 노이즈 채널을 적응적으로 필터링하여, 내재된 노이즈가 실제 계층적 토폴로지에 미치는 간섭을 효과적으로 완화합니다. 공개 EEG 데이터셋에 대한 광범위한 실험을 통해, 우리의 방법이 휴지기 (resting-state) 및 과제 관련 (task-related) 패러다임 모두에서 우수한 성능을 보임을 입증하였으며, 노이즈에 대한 강건성(robustness)과 우울증 환자의 뇌 네트워크 내 비정상적인 기능적 연결성 패턴을 포착하는 효능을 검증하였습니다.