그래프 신경망 (Graph Neural Networks, GNNs)은 통신 네트워크의 기저 그래프 구조를 활용하여 무선 자원 할당 (wireless resource allocation)을 위한 강력한 도구로 부상했습니다. GNN의 전이 가능성 (transferability) 속성은 소규모 그래프에서 학습된 모델이 성능 저하를 거의 일으키지 않고 대규모 배치로 일반화될 수 있게 하며, 이는 현재 성장 중인 네트워크에 있어 매우 바람직한 특성입니다. 무선 네트워크는 단일 노드가 소수의 다른 사용자들과 연결되는 희소 영역 (sparse regimes)입니다. 본 연구는 희소 랜덤 기하 그래프 (Random Geometric Graphs, RGGs)에서 유도된 그래프에 대한 GNN의 전이 가능성에 관한 이론적 결과를 확립합니다. 특히, 링크 간의 간섭을 모델링하는 데 사용되는 RGG의 충돌 그래프 (conflict graphs)에 초점을 맞춥니다. 우리의 접근 방식은 모델이 규모(scale)를 가로질러 전이될 때 발생하는 성능 손실의 경계 (bounds)를 설정하기 위해 RGG와 결정론적 격자 그래프 (Deterministic Grid Graphs, DGG) 사이의 근접성을 고려합니다. 우리는 링크 스케줄링 (link scheduling) 문제를 통해 이론적 발견을 검증하며, 우리가 학습한 정책이 대규모 환경에서 기존 벤치마크를 지속적으로 능가함을 입증합니다. 마지막으로, 우리의 이론적 가정이 실증적 성능에 미치는 영향을 조사합니다.