---
id: GNN-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, [[Deep-Learning|Deep-Learning]], gnn, graph-neural-networks, relational-data]
last_reinforced: 2026-04-26
---

# GNN (Graph Neural Networks, 그래프 신경망)

## 📌 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.

## 📖 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.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **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.

## 🔗 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