GNN 논문 리뷰 시리즈

그래프 신경망(GNN)의 핵심 논문 11편을 랜덤워크 임베딩부터 메시지 패싱, 어텐션, 표현력, 이종 그래프, 설명가능성, 강한 베이스라인 재평가까지 권장 순서로 깊이 있게 읽는 한국어 딥리뷰 시리즈. 스탠퍼드 CS224W(Machine Learning with Graphs) 커리큘럼과 나란히 읽을 수 있도록 구성했다.

  1. DeepWalk: Online Learning of Social Representations — DeepWalk가 짧은 random walk를 문장처럼 보고 SkipGram을 적용해, 라벨이 희소한 소셜 네트워크에서 비지도 node embedding을 학습한 과정을 해설한다.
  2. Structural Deep Network Embedding (SDNE) — SDNE가 오토인코더로 인접행렬을 복원해 2차 근접성을, Laplacian 벌점으로 1차 근접성을 함께 보존하려 한 초기 딥 네트워크 임베딩 방법을 해설하고, transductive 한계와 평가 지표의 편향을 짚는다.
  3. Semi-Supervised Classification with Graph Convolutional Networks — Kipf와 Welling의 GCN 논문이 spectral graph convolution을 1차 근사와 self-loop 정규화로 단순화해 semi-supervised node classification의 표준 layer를 만든 과정을 해설한다.
  4. Inductive Representation Learning on Large Graphs — Hamilton, Ying, Leskovec의 GraphSAGE 논문이 node별 embedding look-up을 이웃 feature 집계 함수 학습으로 바꿔 unseen node와 unseen graph에 일반화하는 inductive representation learning 프레임워크를 만든 과정을 해설한다.
  5. Graph Attention Networks (GAT) — GAT(Graph Attention Networks)가 이웃별 중요도를 고정 정규화가 아니라 노드 feature 쌍에서 학습한 masked self-attention으로 계산해, GCN 수준의 복잡도를 유지하면서 inductive 그래프 학습에 attention을 도입한 과정을 해설한다.
  6. How Powerful are Graph Neural Networks? (GIN) — GNN 표현력 연구의 기준점이 된 GIN 논문을 해설한다. 이웃 집계 방식 GNN의 그래프 구별 능력이 Weisfeiler-Lehman test를 넘을 수 없음을 보이고, 그 상한에 도달하는 조건과 이를 만족하는 단순한 아키텍처를 제안한다.
  7. Heterogeneous Graph Neural Network (HetGNN) — HetGNN이 이종 그래프의 구조·콘텐츠 이질성을 함께 다루기 위해 타입별 이웃 샘플링, Bi-LSTM 콘텐츠 인코딩, 타입 attention을 결합한 방식을 해설한다.
  8. Heterogeneous Graph Attention Network (HAN) — HAN이 meta-path별 node-level attention과 meta-path 간 semantic-level attention을 결합해 이종 그래프에서 중요한 이웃과 의미 관계를 함께 학습한 방식을 해설한다.
  9. GNNExplainer: Generating Explanations for Graph Neural Networks — GNNExplainer 논문이 제안한 mutual information 기반 부분 그래프·feature mask 설명 방법을 정리하고, synthetic benchmark 결과와 prediction-preserving explanation의 한계를 함께 해설한다.
  10. Explaining Temporal Graph Neural Networks via Feature-induced Information Flow — ETGNN 설명에서 event feature뿐 아니라 event-induced message와 memory evolution 경로까지 추적하는 Event Relevance 방법을 분석한다.
  11. Can Classic GNNs Be Strong Baselines for Graph-level Tasks? (GNN+) — GNN+가 엣지 특징, 정규화, 드롭아웃, 잔차 연결, FFN, 위치 인코딩을 고전 GCN·GIN·GatedGCN에 더해 그래프 수준 14개 벤치마크에서 Graph Transformer와 경쟁하거나 앞서는지 재평가한 논문을 비판적으로 해설한다.