306. 그래프 신경망 (GNN, Graph Neural Network)

핵심 인사이트 (3줄 요약)

본질: 그래프 신경망(GNN)은 텍스트나 이미지처럼 정형화된 격자(Grid) 구조가 아니라, 노드(Node)와 간선(Edge)으로 얽히고설킨 비유클리드(Non-Euclidean) 형태의 그래프 데이터를 직접 학습할 수 있도록 고안된 딥러닝 아키텍처다.

가치: 나와 내 친구가 아는 또 다른 친구의 관계(소셜 네트워크), 어떤 원자와 원자가 결합했는지(신약 분자 구조) 등 사물 간의 '관계성(Relationship)' 패턴을 분석하여 숨겨진 특성이나 새로운 연결을 기가 막히게 추론해 낸다.

판단 포인트: 이웃 노드의 정보를 흡수(Aggregation)하여 내 정보를 갱신하는 메시지 패싱(Message Passing) 메커니즘이 핵심이나, 너무 많은 이웃의 정보를 흡수하면 모든 노드의 특성이 비슷해져 구분이 안 되는 과적합(Over-smoothing) 문제가 발생하므로 레이어 깊이를 얕게 유지(통상 2~4층)하는 설계가 필수적이다.

Ⅰ. 개요 및 필요성

전통적인 딥러닝(CNN, RNN)은 바둑판 모양의 픽셀(이미지)이나 순서대로 나열된 글자(텍스트)를 학습하는 데는 천재적이었다. 하지만 현실 세계의 데이터는 이렇게 예쁘게 정렬되어 있지 않다. 사람과 사람의 인맥(페이스북), 은행 계좌 간의 송금 내역, 지하철 노선도 등은 점(Node)과 선(Edge)이 불규칙하게 얽힌 '그래프(Graph)' 모양을 띤다.

이런 그래프 데이터를 기존의 CNN에 억지로 구겨 넣으면 '누가 누구와 연결되었는지'에 대한 가장 중요한 정보가 파괴된다. 그래서 점과 선의 연결 상태 자체를 훼손하지 않고 딥러닝에 통째로 집어넣어 학습시키기 위해 탄생한 기술이 바로 **그래프 신경망(GNN, Graph Neural Network)**이다.

📢 섹션 요약 비유: 기존 AI가 학생 한 명 한 명의 성적표(독립된 데이터)만 보고 평가했다면, GNN은 "이 학생이 누구랑 친하고 누구랑 짝꿍인지"라는 교우관계도(그래프) 전체를 보고 그 학생의 숨겨진 성향을 파악하는 선생님이다.

Ⅱ. 아키텍처 및 핵심 원리

GNN의 심장부는 이웃의 정보를 나에게 전달하여 내 상태를 업데이트하는 메시지 패싱(Message Passing) 알고리즘이다.

┌────────────────────────────────────────────────────────┐
│           [ 메시지 패싱 (Message Passing) 원리 ]       │
│                                                        │
│       (이웃 노드 B)          (이웃 노드 C)             │
│        [ Node B ]             [ Node C ]               │
│             │                      │                   │
│             └─────(Message)────────┘                   │
│                    ▼      ▼                            │
│                 [ Aggregation ] (이웃 정보 취합)       │
│                        │                               │
│                        ▼                               │
│        [ Node A (나의 현재 상태 업데이트) ]            │
└────────────────────────────────────────────────────────┘

상태 벡터 (State Vector): 모든 노드는 자신의 특징(예: 나이, 직업 등)을 담은 벡터 숫자를 가진다.
정보 취합 (Aggregation): 1단계 학습에서, 각 노드는 자신과 직접 연결된 1촌 이웃 노드들의 상태 벡터를 가져와 더하거나 평균을 낸다.
상태 업데이트 (Update): 이웃에서 모아온 정보와 원래 나의 정보를 신경망 연산(가중치 W 곱하기)을 통해 합쳐서, 나의 상태 벡터를 새롭게 갱신(Embedding)한다.
레이어 확장: 이 과정을 한 번 하면 1촌의 정보를, 두 번(2-Layer) 하면 친구의 친구인 2촌의 정보까지 흡수하게 된다.

📢 섹션 요약 비유: 내가 어떤 사람인지 설명할 때, 내 친구 3명(1촌)의 직업을 평균 내서 나를 소개(1-Layer GNN)하고, 내일은 친구의 친구들(2촌) 직업까지 평균 내서 나를 다시 소개(2-Layer GNN)하며 내 정체성을 정교화하는 과정이다.

Ⅲ. 비교 및 연결

기존 딥러닝과 GNN을 비교하면 다루는 데이터의 위상적(Topological) 구조 차이가 극명하다.

비교 항목	CNN (이미지 분석)	RNN / Transformer (자연어)	GNN (그래프 분석)
데이터 구조	2D 격자 (Grid, 픽셀)	1D 시퀀스 (Sequence, 단어열)	비유클리드 공간 (Graph, 노드+간선)
공간적 특징	상하좌우 위치가 고정됨	앞뒤 순서가 고정됨	순서나 고정된 형태가 없음 (Permutation Invariant)
주요 연산	합성곱 (Convolution) 필터	어텐션 (Self-Attention)	메시지 패싱 (이웃 정보 취합)
대표 활용처	얼굴 인식, 자율주행 시야	번역, 챗봇 (ChatGPT)	신약 물질 발견, SNS 친구 추천, 자금 세탁 탐지

GNN은 이웃 정보를 어떻게 취합하느냐에 따라 다양한 파생 모델로 진화했다. 이웃 노드의 중요도에 따라 가중치를 다르게 주는 GAT(Graph Attention Network), 합성곱 방식을 그래프에 적용한 GCN(Graph Convolutional Network) 등이 대표적이다.

📢 섹션 요약 비유: CNN이 체스판의 돌 위치를 외우고, RNN이 소설책의 글자 순서를 외운다면, GNN은 거미줄처럼 얽힌 지하철 노선도의 복잡한 환승 관계를 통째로 외우는 천재다.

Ⅳ. 실무 적용 및 기술사 판단

실무 적용 시나리오: 은행의 이상 거래 탐지(FDS) 시스템에 최적이다. 사기꾼들은 추적을 피하기 위해 대포통장 수백 개를 거쳐 자금을 쪼개고 합친다(돈세탁). 통장 하나의 입출금 내역만 보면 정상 거래 같지만, 수만 개 통장 간의 송금 내역을 그래프로 만들어 GNN에 넣으면 특정 패턴의 점들(대포통장 조직)이 확연하게 붉은색(사기 확률 높음)으로 물들게 된다. 이를 노드 분류(Node Classification)라고 한다.

기술사 판단 포인트 (Trade-off): GNN을 실무 아키텍처에 도입할 때는 **'오버 스무딩(Over-smoothing)'**과 **'그래프 크기 폭발'**을 제어해야 한다.

레이어를 4~5층 이상 깊게 쌓으면(친구의 친구의 친구의 친구까지 흡수하면), 결국 모든 노드의 정보가 비슷하게 섞여 똥색이 되어버린다(Over-smoothing). 따라서 GNN은 2~3층까지만 얕게 쌓고, 잔차 연결(ResNet 방식)을 추가하여 원래 내 정보를 강하게 보존하는 튜닝이 필수다.
수십억 개의 노드가 있는 페이스북 친구 그래프를 메모리에 한 번에 올리면 GPU가 즉시 OOM(Out of Memory)으로 뻗어버린다. 따라서 전체 그래프 중 학습에 필요한 일부 서브 그래프(이웃 노드)만 랜덤하게 샘플링해서 뽑아오는 GraphSAGE 같은 미니 배치(Mini-batch) 기법 적용이 아키텍처의 성패를 가른다.

📢 섹션 요약 비유: 여러 물감을 너무 많이 섞으면 무조건 탁한 똥색(Over-smoothing)이 되듯, GNN도 너무 먼 사람의 특징까지 다 섞어버리면 개성이 사라진다. 딱 내 친한 친구 몇 명까지만 섞어야 내 진짜 색깔이 나온다.

Ⅴ. 기대효과 및 결론

GNN은 인공지능의 지평을 인간의 시각(이미지)과 언어(텍스트)를 넘어, 우주의 근본 원리인 '관계성'의 영역으로 확장했다. 구글맵의 도착 시간(ETA) 예측 능력이 GNN 도입 후 획기적으로 올랐으며, 코로나19 백신 개발 시 수억 개의 단백질 분자 구조 그래프를 AI로 분석하여 수년 걸릴 신약 발굴을 몇 달로 단축했다.

결론적으로 GNN은 정형/비정형 데이터를 넘어선 '관계형 데이터(Relational Data)'를 다루는 궁극의 무기다. 앞으로 GNN은 방대한 지식 정보를 담은 지식 그래프(Knowledge Graph)와 결합하여, LLM(대규모 언어 모델)이 헛소리(Hallucination)를 하지 않도록 정확한 팩트 관계를 교정해 주는 최고의 '논리 보정기' 역할을 수행할 것이다.

📢 섹션 요약 비유: 세상의 모든 존재는 서로 연결되어 있다는 철학을 수학으로 풀어낸 것이 GNN이다. 아무리 똑똑한 AI라도 '인맥'과 '관계'를 읽지 못하면 세상물정을 모르는 바보가 되기 때문이다.

📌 관련 개념 맵

상위 개념: 딥러닝 (Deep Learning), 그래프(Graph) 이론
하위 개념: Message Passing, Over-smoothing, Node/Edge Classification
연결 개념: GCN (Graph Convolutional Network), GAT (Graph Attention Network), Knowledge Graph (지식 그래프), 신약 발굴 (Drug Discovery)

👶 어린이를 위한 3줄 비유 설명

보통 AI는 내 일기장만 보고 내가 어떤 아이인지 맞춰요.
하지만 GNN은 내가 매일 놀이터에서 누구랑 놀고, 누구랑 간식을 나눠 먹는지 짝꿍 연결 지도를 통째로 훑어봐요.
내 친구들이 다 축구를 좋아한다면, 일기장에 안 적혀있어도 나도 축구를 좋아할 거라고 기가 막히게 맞춰내는 눈치 빠른 탐정이랍니다!