모든 데이터가 격자 구조에 들어맞는 것은 아닙니다. 소셜 네트워크, 분자, 도로 지도 등은 픽셀이나 시퀀스가 ​​아닌 노드와 엣지로 이루어진 그래프입니다. 그래프 신경망은 이러한 구조를 직접 활용하여 연결된 노드 간에 메시지를 전달하고 표현을 학습합니다.

핵심 작동 원리는 메시지 전달입니다. 각 노드는 이웃 노드로부터 정보를 수집하고, 자신의 표현을 업데이트하며, 이 과정을 여러 차례 반복합니다. 충분한 계층이 지나면 각 노드는 주변 이웃 노드로부터 얻은 정보를 인코딩할 수 있게 됩니다.

일반적인 그래프 작업

• 노드 분류
• 링크 예측
• 그래프 분류
• 연결 추천
• 분자 특성 예측

확장성은 어려운 과제입니다. 대규모 그래프는 수백만 개의 노드와 엣지를 가지고 있으며, 전체 배치 학습은 메모리에 적합하지 않습니다. 샘플링 기법과 미니 배치 방식을 사용하면 정확도를 다소 희생하더라도 학습이 가능해집니다.