그래프 레벨 과제 위한 GNN 재조명: 분류, 실험, 미래 방향

초록

본 논문은 그래프 수준의 분류·회귀 과제에 적용되는 그래프 신경망(GNN)을 다섯 가지 유형으로 체계화하고, 16개 모델을 26개 데이터셋(13분류·13회귀)에서 평가한다. 이를 위해 데이터 다양성·노이즈·불균형·소수샷 등 현실적 시나리오를 포함한 통합 평가 프레임워크 OpenGLT를 제안한다. 실험 결과는 각 유형별 강점·약점을 명확히 드러내며, 향후 연구 방향을 제시한다.

상세 분석

논문은 먼저 기존 GNN 연구가 주로 노드 수준 작업에 초점을 맞추어 왔으며, 그래프 전체를 대상으로 하는 과제에서는 평가 기준이 일관되지 않고 데이터셋이 제한적이라는 문제점을 지적한다. 이를 해결하기 위해 저자들은 그래프 레벨 과제에 특화된 GNN을 ‘노드 기반’, ‘계층적 풀링 기반’, ‘서브그래프 기반’, ‘그래프 학습 기반’, ‘자기지도 학습 기반’의 다섯 카테고리로 분류한다. 각 카테고리는 대표적인 모델과 핵심 메커니즘을 상세히 정리한다. 예를 들어, 노드 기반 모델은 메시지 패싱 후 평균·합·맥스와 같은 불변 집계 함수를 사용해 그래프 임베딩을 만든다. 계층적 풀링 모델은 클러스터 할당 행렬 S(l) 를 학습하거나 유사도 기반, 노드 드롭 기반, 학습 기반 등 세부 전략으로 그래프를 점진적으로 축소한다. 서브그래프 기반 모델은 전체 그래프를 여러 부분 그래프로 분해하고, 각각을 독립적으로 학습한 뒤 다시 집계한다. 여기서 서브그래프 생성 방식은 ‘요소 삭제’, ‘루트 서브그래프’, ‘패턴 기반’ 등으로 나뉜다. 그래프 학습 기반 모델은 그래프 구조 자체를 복원하거나 변형하는 목표를 추가해 표현력을 강화한다. 마지막으로 자기지도 학습 기반 모델은 대규모 라벨이 없는 그래프에 대해 프리트레인을 수행하고, 대조 학습·마스크 예측·그래프 수준의 일관성 손실 등을 활용한다.

평가 프레임워크 OpenGLT는 데이터 분할, 하이퍼파라미터 탐색, 평가 지표(정확도, ROC‑AUC, RMSE 등) 및 효율성(학습 시간, 메모리 사용)까지 일관된 파이프라인을 제공한다. 특히, 노이즈 주입, 클래스 불균형 비율 조정, 소수샷 학습(학습 그래프 수를 1% 이하로 제한) 등 현실적인 시나리오를 자동으로 생성해 모델의 견고성을 시험한다.

실험에서는 16개 모델을 동일한 환경에서 학습시켜, 13개의 분류 데이터셋(예: MUTAG, PROTEINS, IMDB‑BINARY)과 13개의 회귀 데이터셋(예: QM9, ESOL, PDB‑Bind)에서 성능을 비교한다. 결과는 다음과 같다. ① 노드 기반 모델은 전통적인 벤치마크에서 안정적인 성능을 보이지만, 복잡한 구조를 가진 데이터에서는 한계가 있다. ② 계층적 풀링 모델은 그래프 크기가 큰 경우(예: 소셜 네트워크)에서 효율성을 높이며, 특히 MinCutPool·DiffPool이 높은 표현력을 제공한다. ③ 서브그래프 기반 모델은 ESAN·SGOOD 등과 같이 로컬 구조를 강조하는 과제에서 우수한 결과를 보이며, 특히 서브그래프 수와 크기의 하이퍼파라미터가 성능에 큰 영향을 미친다. ④ 그래프 학습 기반 모델은 구조 재구성 손실을 추가함으로써 노이즈가 많은 데이터에서 강인성을 확보한다. ⑤ 자기지도 학습 모델은 대규모 라벨이 없는 상황에서 사전학습 후 파인튜닝을 수행하면, 특히 회귀 과제에서 기존 지도학습 대비 3~5%의 성능 향상을 달성한다.

효율성 측면에서는 풀링 기반 모델이 메모리 사용량을 크게 절감하지만, 학습 단계에서 클러스터링 연산이 병목이 될 수 있다. 서브그래프 기반 모델은 서브그래프 샘플링 비용이 높아 GPU 메모리 한계에 민감하다. 자기지도 학습 모델은 프리트레인 단계가 오래 걸리지만, 파인튜닝 단계에서는 빠른 수렴을 보인다.

논문은 또한 각 카테고리별 연구 공백을 제시한다. 예를 들어, 현재 서브그래프 기반 모델은 주로 무작위 삭제나 루트 중심 샘플링에 의존하는데, 도메인 지식을 활용한 의미론적 서브그래프 생성이 부족하다. 또한, 자기지도 학습에서는 그래프 수준의 대조 학습이 아직 초기 단계이며, 다양한 증강 전략(노드 속성 변형, 구조 변형 등)의 조합이 필요하다.

마지막으로 저자들은 OpenGLT를 오픈소스로 공개하고, 향후 연구자들이 새로운 모델을 손쉽게 벤치마크에 추가하고, 다양한 도메인(예: 금융 거래 네트워크, 지리 공간 그래프)으로 확장할 수 있도록 설계했다. 이는 GNN 분야에서 그래프 레벨 과제에 대한 체계적 비교와 재현성을 크게 향상시킬 것으로 기대된다.