희소 그래프와 밀집 그래프를 아우르는 그래프신경망 일반화와 근사 이론

초록

본 논문은 그래프오프(graphop) 이론을 확장하여, 희소·밀집 여부와 상관없이 모든 크기의 그래프에 대해 컴팩트 메트릭을 정의한다. 이 메트릭 아래에서 메시지 패싱 그래프 신경망(MPNN)은 Hölder 연속성을 갖으며, Stone–Weierstrass 정리를 이용한 보편적 근사 정리와 유한 커버링 수를 기반으로 한 일반화 경계가 동시에 성립한다. 새로운 연산자 클래스인 bounded fiber operators(bofops)를 도입하고, 1‑WL 테스트를 b​ofop에 확장함으로써 표현력과 구분 능력을 정량화한다.

상세 분석

이 연구는 기존 그래프 한계 이론이 밀집 그래프(그래프온)와 희소 그래프(그래프오프)를 각각 따로 다루어 왔던 한계를 뛰어넘는다. 저자들은 모든 정점 집합을 하나의 공통 프로파일 공간에 매핑하고, 여기서 정의되는 action metric을 이용해 그래프들의 완비 공간을 구성한다. 특히, bounded fiber operators(bofops)라는 새로운 서브클래스를 도입해, 정점 특성까지 포함한 희소·밀집 그래프를 동일한 연산자 형태로 표현한다. 이때, graphop 이론의 핵심인 연산자 → 함수 공간 매핑을 Lᵖ(Ω) 위에서 정의함으로써, 그래프 크기가 무한대로 커져도 연속성 문제가 발생하지 않는다.

MPNN을 bofop에 적용할 때, 저자들은 두 가지 메트릭을 활용한다. 첫째, action metric에 대해 MPNN이 Lipschitz 연속임을 보이며, 이는 일반화 경계에서 필요한 유한 커버링 수를 확보한다. 둘째, 1‑WL 기반의 DIDM‑Mover’s distance(비균형 Wasserstein 거리)를 사용해 MPNN이 점들을 구분할 수 있음을 증명한다. 이 거리 아래에서 MPNN은 균등 연속성을 유지하면서도, 1‑WL과 동등한 구분력을 갖는다.

Stone–Weierstrass 정리를 적용하기 위해서는 (i) 연속성, (ii) 대수 구조, (iii) 점 구분 능력이라는 세 조건이 필요하다. 저자들은 (i)와 (iii)를 각각 action metric과 DIDM‑Mover’s distance에서 입증하고, (ii)는 MPNN의 업데이트와 읽기 함수가 닫힌 연산(algebra)임을 보임으로써 충족한다. 결과적으로, (˜G,˜d)라는 완비·컴팩트 공간 위에서 모든 연속 함수는 MPNN의 유한 깊이·파라미터 조합으로 균등 근사될 수 있다.

또한, 일반화 경계는 커버링 수가 유한함을 전제로 하며, MPNN이 Lipschitz 연속이므로 표본 복잡도 O(1/√n) 수준의 수렴을 보장한다. 이는 기존 연구가 희소 그래프에 대해 제한된 크기만 다루던 것과 달리, 그래프 크기에 무관하게 동일한 이론적 보장을 제공한다는 점에서 의미가 크다.

마지막으로, 저자들은 실험적 검증 대신 이론적 프레임워크 구축에 집중했으며, 그래프오프 이론을 머신러닝에 적용하는 첫 사례로서, 향후 GNN 설계와 일반화 분석에 새로운 기준을 제시한다.