그래프 신경망 (Graph Neural Networks)은 데이터가 관계적 구조 (relational structure)를 가지는 곳이라면 어디에서든 틈새적인 표현 학습 (representation-learning) 기술에서 기본 모델 클래스로 자리 잡았습니다. 이제 흥미로운 질문은 특정 데이터셋에서 메시지 패싱 (message passing)이 도움이 되는지 여부가 아니라, 그래프 구조가 계산 비용 (computational cost)을 정당화할 수 있는 지점은 어디이며 그렇지 않은 지점은 어디인가 하는 것입니다. 본 조사(survey)는 단일 설계 공간 (design space)을 중심으로 해당 분야를 구성하고, 공유된 제1원칙 (first principles)으로부터 스펙트럼 (spectral) 및 공간 (spatial) 공식을 도출하며, 현재의 아키텍처가 분리할 수 있는 것과 없는 것에 대한 명시적인 진술과 함께 표현력 (expressive power)을 Weisfeiler-Leman 계층 (hierarchy)과 연결합니다. 이러한 방법론적 중추를 바탕으로 우리는 추천 및 소셜 네트워크, 지식 그래프 (knowledge graphs) 및 언어 모델 (language-model) 통합, 신약 개발 및 분자 특성 학습 (molecular property learning), 헬스케어 및 신경과학 (neuroscience), 컴퓨터 비전 (computer vision), 교통 및 도시 컴퓨팅 (urban computing), 전력 및 재생 에너지 시스템, 무선 및 6세대 네트워크, 사기 및 사이버 보안, 산업적 예후 진단 (industrial prognostics), 재료 과학, 그리고 기후 모델링을 포함한 12가지 응용 도메인을 검토합니다. 각 도메인에 대해 우리는 그래프 구축 (graph-construction) 선택 사항과 그 비용을 명시하고, 어떤 아키텍처 제품군이 지배적인지와 그 이유를 식별하며, 보고된 이득을 약한 베이스라인 (baselines) 또는 유리한 분할 (favourable splits)로 인한 인위적 결과 (artefacts)와 구분합니다. 도메인 간 비교를 통해 반복되는 패턴이 드러납니다: 이질성 (heterophily)과 규모 (scale)는 거의 모든 곳에서 동일한 모델들의 성능을 저하시키며, 시계열 그래프 (temporal graphs)는 정적 (static) 대응물보다 여전히 다루기 어렵고, 공개 리더보드 (leaderboards) 상위권을 차지하는 아키텍처가 실제 배포 (deployment)에 도달하는 아키텍처인 경우는 드뭅니다. 우리는 과도한 평활화 (over-smoothing), 과도한 압착 (over-squashing), 강건성 (robustness), 분포 변화 (distribution shift), 공정성 (fairness), 그리고 설명 가능성 (explainability)을 단순히 마지막에 확인하는 체크리스트가 아니라, 채택 여부를 결정짓는 제약 조건으로 다룹니다.