[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
+259
-41
@@ -1,64 +1,282 @@
|
||||
---
|
||||
id: wiki-2026-0508-gnn
|
||||
title: GNN
|
||||
title: Graph Neural Networks (GNN)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [GNN-001]
|
||||
aliases: [GNN, graph neural network, GCN, GAT, message passing, PyG, DGL]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, Deep-Learning, gnn, graph-neural-networks, relational-data]
|
||||
confidence_score: 0.97
|
||||
verification_status: applied
|
||||
tags: [machine-learning, gnn, graph-neural-network, gcn, gat, message-passing, pyg]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: PyTorch Geometric / DGL
|
||||
---
|
||||
|
||||
# GNN (Graph Neural Networks, 그래프 신경망)
|
||||
# Graph Neural Networks (GNN)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "개별 데이터가 아닌, 데이터들 사이의 관계(Edge)와 연결망 속에 숨겨진 맥락을 학습하라" — 그래프 구조를 직접 입력으로 받아 노드 간의 메시지 전달(Message Passing)을 통해 정점의 특징을 업데이트하고, 복잡한 네트워크 패턴을 추론하는 신경망 아키텍처.
|
||||
## 매 한 줄
|
||||
> **"매 graph 의 의 의 message passing"**. 매 node + edge + global feature. 매 GCN (Kipf 2017), GAT, GraphSAGE, GIN, message-passing framework. 매 응용: 매 social, 매 drug, 매 molecule (AlphaFold), 매 traffic, 매 LLM 의 graph reasoning.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 이웃 노드들로부터 정보를 수집(Aggregation)하고 자신의 상태를 갱신(Update)하는 과정을 반복하여, 그래프 전체의 구조적 특징을 로컬 노드에 응축시키는 관계 기반 학습 패턴.
|
||||
- **주요 태스크:**
|
||||
- **Node Classification:** 특정 노드의 카테고리나 특성 예측.
|
||||
- **Link Prediction:** 두 노드 사이에 새로운 관계가 생길지 예측 (추천 시스템의 핵심).
|
||||
- **Graph Classification:** 분자 구조의 독성 여부 등 그래프 전체의 특성 판별.
|
||||
- **대표적 모델:** GCN (Graph Convolutional Networks), GraphSAGE, GAT (Graph Attention Networks).
|
||||
- **의의:** 텍스트나 이미지로 표현하기 힘든 지식 그래프, 소셜 네트워크, 단백질 구조 등 복잡계 데이터를 이해하는 유일한 딥러닝 도구.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 그래프를 억지로 벡터화(Node2Vec 등)하여 처리하던 방식에서, 그래프 구조 자체를 신경망 내부로 수용하는 엔드-투-엔드 학습 방식으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 `20_Meta/Graph.json`에 정의된 지식 노드들의 연관성을 정밀하게 분석하기 위해 GAT 아키텍처를 사용하여, 특정 문서가 다른 지식 영역에 미치는 영향력을 수치화함.
|
||||
### 매 task
|
||||
- **Node classification**: 매 단일 node label.
|
||||
- **Link prediction**: 매 edge 의 의 likelihood.
|
||||
- **Graph classification**: 매 entire graph.
|
||||
- **Graph regression**.
|
||||
- **Generation**: 매 graph generative.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Geometric-Deep-Learning|Geometric-Deep-Learning]], [[Graph-Theory|Graph-Theory]], [[Knowledge-Graph-Foundations|Knowledge-Graph-Foundations]], [[Multi-Agent-Systems-MAS|Multi-Agent-Systems-MAS]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/GNN.md
|
||||
### 매 layer family
|
||||
- **GCN** (Kipf 2017): 매 spectral / message passing.
|
||||
- **GAT**: 매 attention.
|
||||
- **GraphSAGE**: 매 sampled neighborhood.
|
||||
- **GIN** (Xu 2019): 매 most expressive.
|
||||
- **Transformer-based**: GraphTransformer, Graphormer.
|
||||
- **Message Passing NN** (general).
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 modern
|
||||
- **Geometric DL** (Bronstein).
|
||||
- **Equivariant GNN** (E(3), SE(3)).
|
||||
- **AlphaFold-3** (geometric deep learning).
|
||||
- **GNN + LLM** (graph reasoning).
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 응용
|
||||
1. **Social network**: 매 fraud, recommendation.
|
||||
2. **Molecule**: 매 drug, materials.
|
||||
3. **Knowledge graph**: 매 reasoning.
|
||||
4. **Traffic**: 매 ETA prediction.
|
||||
5. **Recommender**.
|
||||
6. **Combinatorial opt** (TSP, scheduling).
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### GCN (PyG)
|
||||
```python
|
||||
import torch
|
||||
import torch.nn.functional as F
|
||||
from torch_geometric.nn import GCNConv
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
class GCN(torch.nn.Module):
|
||||
def __init__(self, in_feat, hidden, n_classes):
|
||||
super().__init__()
|
||||
self.conv1 = GCNConv(in_feat, hidden)
|
||||
self.conv2 = GCNConv(hidden, n_classes)
|
||||
|
||||
def forward(self, x, edge_index):
|
||||
x = F.relu(self.conv1(x, edge_index))
|
||||
x = F.dropout(x, p=0.5, training=self.training)
|
||||
return self.conv2(x, edge_index)
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### GAT (attention)
|
||||
```python
|
||||
from torch_geometric.nn import GATConv
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
class GAT(torch.nn.Module):
|
||||
def __init__(self, in_feat, hidden, n_heads=8):
|
||||
super().__init__()
|
||||
self.conv1 = GATConv(in_feat, hidden, heads=n_heads, dropout=0.6)
|
||||
self.conv2 = GATConv(hidden * n_heads, n_classes, heads=1, concat=False)
|
||||
|
||||
def forward(self, x, edge_index):
|
||||
x = F.elu(self.conv1(x, edge_index))
|
||||
return self.conv2(x, edge_index)
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### GraphSAGE (sampling)
|
||||
```python
|
||||
from torch_geometric.nn import SAGEConv
|
||||
class GraphSAGE(torch.nn.Module):
|
||||
def __init__(self, in_feat, hidden, out_feat):
|
||||
super().__init__()
|
||||
self.conv1 = SAGEConv(in_feat, hidden, aggr='mean')
|
||||
self.conv2 = SAGEConv(hidden, out_feat, aggr='mean')
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Custom MessagePassing
|
||||
```python
|
||||
from torch_geometric.nn import MessagePassing
|
||||
|
||||
class CustomConv(MessagePassing):
|
||||
def __init__(self, in_feat, out_feat):
|
||||
super().__init__(aggr='mean')
|
||||
self.lin = torch.nn.Linear(in_feat, out_feat)
|
||||
|
||||
def forward(self, x, edge_index):
|
||||
x = self.lin(x)
|
||||
return self.propagate(edge_index, x=x)
|
||||
|
||||
def message(self, x_j):
|
||||
return x_j # 매 from neighbor
|
||||
|
||||
def update(self, aggr_out):
|
||||
return aggr_out
|
||||
```
|
||||
|
||||
### Graph classification (read-out)
|
||||
```python
|
||||
from torch_geometric.nn import global_mean_pool
|
||||
|
||||
class GraphClassifier(torch.nn.Module):
|
||||
def __init__(self):
|
||||
super().__init__()
|
||||
self.conv1 = GCNConv(in_feat, 64)
|
||||
self.conv2 = GCNConv(64, 64)
|
||||
self.classifier = torch.nn.Linear(64, n_classes)
|
||||
|
||||
def forward(self, x, edge_index, batch):
|
||||
x = F.relu(self.conv1(x, edge_index))
|
||||
x = F.relu(self.conv2(x, edge_index))
|
||||
x = global_mean_pool(x, batch) # 매 graph-level
|
||||
return self.classifier(x)
|
||||
```
|
||||
|
||||
### Link prediction
|
||||
```python
|
||||
import torch.nn as nn
|
||||
class LinkPredictor(nn.Module):
|
||||
def __init__(self):
|
||||
super().__init__()
|
||||
self.encoder = GCN(...)
|
||||
self.decoder = lambda src, dst: (src * dst).sum(-1) # 매 dot product
|
||||
|
||||
def forward(self, x, edge_index, edge_label_index):
|
||||
z = self.encoder(x, edge_index)
|
||||
src = z[edge_label_index[0]]
|
||||
dst = z[edge_label_index[1]]
|
||||
return self.decoder(src, dst)
|
||||
```
|
||||
|
||||
### Sampling for large graphs (NeighborLoader)
|
||||
```python
|
||||
from torch_geometric.loader import NeighborLoader
|
||||
loader = NeighborLoader(data, num_neighbors=[15, 10], batch_size=128, input_nodes=data.train_mask)
|
||||
|
||||
for batch in loader:
|
||||
out = model(batch.x, batch.edge_index)
|
||||
loss = F.cross_entropy(out[:batch.batch_size], batch.y[:batch.batch_size])
|
||||
```
|
||||
|
||||
### Heterogeneous (HeteroData)
|
||||
```python
|
||||
from torch_geometric.data import HeteroData
|
||||
data = HeteroData()
|
||||
data['user'].x = user_feats
|
||||
data['movie'].x = movie_feats
|
||||
data['user', 'rates', 'movie'].edge_index = rate_edges
|
||||
|
||||
from torch_geometric.nn import to_hetero
|
||||
model = to_hetero(model, data.metadata())
|
||||
```
|
||||
|
||||
### Equivariant GNN (E(n)-EGNN)
|
||||
```python
|
||||
class EGNN(MessagePassing):
|
||||
def __init__(self, dim):
|
||||
super().__init__(aggr='mean')
|
||||
self.edge_mlp = nn.Sequential(nn.Linear(2*dim+1, dim), nn.SiLU(), nn.Linear(dim, dim))
|
||||
self.coord_mlp = nn.Linear(dim, 1)
|
||||
|
||||
def forward(self, x, pos, edge_index):
|
||||
return self.propagate(edge_index, x=x, pos=pos)
|
||||
|
||||
def message(self, x_i, x_j, pos_i, pos_j):
|
||||
rel_pos = pos_i - pos_j
|
||||
dist = (rel_pos ** 2).sum(-1, keepdim=True)
|
||||
edge_feat = self.edge_mlp(torch.cat([x_i, x_j, dist], -1))
|
||||
coord_msg = rel_pos * self.coord_mlp(edge_feat)
|
||||
return edge_feat, coord_msg
|
||||
```
|
||||
|
||||
### Drug discovery (molecule)
|
||||
```python
|
||||
from torch_geometric.datasets import MoleculeNet
|
||||
dataset = MoleculeNet(root='data', name='ESOL')
|
||||
# 매 atom-level features + bond edges → solubility
|
||||
```
|
||||
|
||||
### Knowledge graph (TransE)
|
||||
```python
|
||||
class TransE(nn.Module):
|
||||
def __init__(self, n_entities, n_relations, dim):
|
||||
super().__init__()
|
||||
self.entity_emb = nn.Embedding(n_entities, dim)
|
||||
self.relation_emb = nn.Embedding(n_relations, dim)
|
||||
|
||||
def score(self, h, r, t):
|
||||
return -(self.entity_emb(h) + self.relation_emb(r) - self.entity_emb(t)).norm(dim=-1)
|
||||
```
|
||||
|
||||
### Graph Transformer (Graphormer)
|
||||
```python
|
||||
class GraphTransformer(nn.Module):
|
||||
def __init__(self, dim, n_heads=8):
|
||||
super().__init__()
|
||||
self.attn = nn.MultiheadAttention(dim, n_heads)
|
||||
self.spatial_bias = nn.Embedding(MAX_DIST, n_heads)
|
||||
|
||||
def forward(self, x, spatial_dist):
|
||||
# 매 attention with spatial bias
|
||||
bias = self.spatial_bias(spatial_dist)
|
||||
attn_out, _ = self.attn(x, x, x, attn_bias=bias)
|
||||
return attn_out
|
||||
```
|
||||
|
||||
### GNN explainer
|
||||
```python
|
||||
from torch_geometric.explain import Explainer, GNNExplainer
|
||||
explainer = Explainer(
|
||||
model=model, algorithm=GNNExplainer(epochs=200),
|
||||
explanation_type='model', node_mask_type='attributes',
|
||||
edge_mask_type='object',
|
||||
)
|
||||
explanation = explainer(data.x, data.edge_index, target=label)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Architecture |
|
||||
|---|---|
|
||||
| Default | GCN |
|
||||
| Heterogeneous | HeteroData + GAT |
|
||||
| Large graph | GraphSAGE + sampling |
|
||||
| Most expressive | GIN |
|
||||
| Spatial / molecule | EGNN / SchNet |
|
||||
| Graph-level | + global pooling |
|
||||
| Knowledge graph | TransE / RotatE |
|
||||
| Long-range | GraphTransformer / Graphormer |
|
||||
|
||||
**기본값**: 매 PyG + 매 GCN/GAT baseline + 매 sampling for large + 매 EGNN for geometry + 매 explainer.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Deep-Learning]] · [[Graph-Theory]]
|
||||
- 변형: [[GCN]] · [[GAT]] · [[GraphSAGE]] · [[GIN]]
|
||||
- 응용: [[Recommender-Systems]] · [[Drug-Discovery]] · [[Knowledge-Graphs]]
|
||||
- Adjacent: [[Geometric-Deep-Learning]] · [[Equivariant-NN]] · [[Graphormer]] · [[AlphaFold]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 graph data. 매 social. 매 molecule. 매 KG.
|
||||
**언제 X**: 매 sequence / image (use Transformer / CNN).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Over-smoothing** (deep GNN): 매 nodes converge.
|
||||
- **No batching for large**: 매 OOM.
|
||||
- **Ignore edge features**: 매 info lose.
|
||||
- **Default attention 의 always**: 매 simple sometimes better.
|
||||
- **No scaling for many classes**: 매 long-tail.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Kipf GCN 2017, Xu GIN 2019, PyG/DGL docs, AlphaFold).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-04-26 | GNN auto |
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — GCN/GAT/SAGE + 매 PyG / hetero / EGNN / link / explainer code |
|
||||
|
||||
Reference in New Issue
Block a user