1. GNN 파이프라인 앞서 GNN 모델을 구성하는 요소들을 정리하였다. 이를 모델의 파이프라인으로 나타내면 다음과 같다. 모델은 그래프 데이터를 입력하여 레이블을 기준으로 예측을 수행하는 방향으로 진행된다. 이러한 전반적인 흐름은 크게 두 부분으로 나눠 볼 수 있다. 먼저 입력 그래프로부터 노드 임베딩을 연산하는 부분이 있고, 이렇게 산출된 노드 임베딩으로 분류와 같은 특정 task를 수행하는 부분이 있다. GNN 모델에서 특징적인 부분은 노드 임베딩을 연산하는 앞 부분이다. 앞서서는 이 부분을 구성하는 요소들에 대해 알아봤다면, 이번에는 다른 관점으로 접근한다. 2. GNN의 표현력 우선 GNN을 지칭하는데 있어, 전체 모델 내에서 노드 임베딩을 연산하는 부분으로 그 범위를 제한한다. 여기서 입력된

GNN 프레임워크 GNN 모델의 프레임워크에 대해 단계적으로 살펴보고 있다. > 1. Message : GNN 레이어에서 이웃 노드들로부터 메시지를 계산하는 방법 Aggregation : GNN 레이어에서 이웃 노드들의 메시지를 취합하는 방법 Layer connectivity : 신경망 형태로 만들기 위해 여러 레이어를 쌓는(연결하는) 방법 Graph augmentation : 입력 그래프를 적절하게 수정하는 방법 Learning objective : task에 따른 모델의 학습 방향 GNN 모

GNN 프레임워크 GNN 모델의 프레임워크에 대해 단계적으로 살펴보고 있다. > 1. Message : GNN 레이어에서 이웃 노드들로부터 메시지를 계산하는 방법 Aggregation : GNN 레이어에서 이웃 노드들의 메시지를 취합하는 방법 Layer connectivity : 신경망 형태로 만들기 위해 여러 레이어를 쌓는(연결하는) 방법 Graph augmentation : 입력 그래프를 적절하게 수정하는 방법 Learning objective : task에 따른 모델의 학습 방향 하나의 GNN 레이어는 1) Message computation과 2) Aggregation의 두 단계의 연산으로 구성되었다. 이

GNN 프레임워크 일반적인 GNN 모델의 프레임워크는 다음과 같다. GNN 모델의 디자인 요소는 크게 5가지로 나눠 볼 수 있다. > 1. Message : GNN 레이어에서 이웃 노드들로부터 메시지를 계산하는 방법 Aggregation : GNN 레이어에서 이웃 노드들의 메시지를 취합하는 방법 Layer connectivity : 신경망 형태로 만들기 위해 여러 레이어를 쌓는(연결하는) 방법 Graph augmentation : 입력 그래프를 적절하게 수정하는 방법 Learning objective : task에 따른 모델의 학습 방향 단계적으로 살펴보도록 하자. 1. GNN 레이어 GNN 레이어에서 연산은 (1) Message computation과 (2) Aggrega