GNN 개요

최창우·2022년 12월 16일

GNN

목록 보기

2/4

1. 들어가기에 앞서
2. Graph 개요
3. GNN 개요
4. GNN 학습 개요

현재 연구가능성이 크고 인기가 많은 분야는 GNN인거 같다.

우리가 딥러닝으로 처리하고자 하는 데이터는 처리의 용이성을 위해 구조화 작업을 거쳐주었지만, 실제로 많은 데이터들은 격자형태의 일관된 형태를 가지고 있지 않다.
그래서 기존 딥러닝 기법(예:CNN계열)은 적용하는데 한계가 존재한다.

하지만, 'Graph'라는 구조는 비구조적이며 관계형구조를 가져서 데이터들간의 관계와 상호작용을 표현하고 분석하는데 아주 적합하다.

여기서 중요한 질문은 우리가 어떻게하면 관계형 구조의 장점을 살려서 예측 성능을 높일수 있을까?

그래프의 데이터간의 관계를 명시적으로 잘 모델링하는것이 중요하다

Graph는 자료구조의 형식중 하나로 다음과 같은 형태를 지닌다.

위 그래프 형태의 데이터를 사용해서 원하는 출력을 얻어내는 딥러닝 구조가 GNN

여태까지 나온 GNN 논문들에 대해 Servey 한 논문에서 제시하기를 GNN 학습에 대한 종류를 다음처럼 분류하였음

RecGNNs (Recurrent Graph Neural Networks)
- Recurrent를 기반으로 iteration을 통해 Node를 학습함
ConvGNNs (Convolutional Graph Neural Networks)
- CNN을 기반으로 Node 또는 Edge의 정보를 계산하여 학습
GAEs (Graph AutoEncoders)
- 위 GNN Tasks에서 5번과 6번에 해당한다
STGNNs (Spatial-Temporal Graph Neural Networks)
- 공간과 순서를 고려하여 학습하는 방법