커뮤니티 탐지 (Community detection)는 네트워크 과학에서 그래프 신호 처리 (Graph signal processing)에 이르기까지 다양한 응용 분야를 가진 그래프 분석의 핵심적인 문제입니다. 최근 몇 년 동안, 그래프 신경망 (Graph Neural Networks, GNNs)은 그래프 구조 데이터의 저차원 표현 (Low-dimensional representations)을 학습하기 위한 효과적인 도구로 부상하였으며, 특히 대규모 및 고차원 그래프의 클러스터링 (Clustering) 작업에서 강력한 성능을 보여주었습니다. 본 논문은 그래프 신호 보간 (Graph signal interpolation) 프레임워크 내에서 GNN 기반의 커뮤니티 탐지 활용을 조사합니다. 표준 분류 체계에 따라 커뮤니티 탐지를 위한 GNN 아키텍처의 주요 클래스들을 검토한 후, 결과로 도출된 그래프 커뮤니티를 그래프 기저 함수 (Graph Basis Functions, GBFs)를 이용한 보간을 위한 Unity 분할법 (Partition of Unity Method, PUM)에 통합합니다. 이 접근 방식에서는 GNN에서 유도된 커뮤니티를 사용하여 국소 서브도메인 (Local subdomains)을 구축하며, 이 위에서 GBF 보간 함수 (Interpolants)가 계산된 후 결과적으로 전역 근사 (Global approximation)로 결합됩니다. 기하학적 및 도시 네트워크 예시를 포함한 벤치마크 그래프 데이터셋에 대한 수치 실험은 GNN 기반 클러스터링과 GBF-PUM 보간의 제안된 결합이 정확한 신호 재구성 (Signal reconstructions)을 생성함을 입증합니다. 결과는 딥러닝 기반의 커뮤니티 탐지가 국소화된 보간 체계를 위한 효과적인 그래프 분할 (Graph partitions)을 제공할 수 있음을 나타내며, 확장 가능한 그래프 신호 분석에서의 활용을 뒷받침합니다.