Learn AI with Python · 강의

그래프 합성곱 네트워크(GCN)

메시지 전달 프레임워크, GCNConv, 노드 특성 집계, PyTorch Geometric 설정을 다룹니다.

그래프 합성곱 네트워크(GCN)은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

CNN에서 GCN으로

CNN은 이미지의 격자 구조를 활용합니다. 그래프 합성곱 네트워크(GCN)은 합성곱을 불규칙한 그래프로 일반화하여 각 노드가 이웃의 정보를 사용해 자신의 표현을 업데이트하도록 합니다. 이를 통해 고정된 격자가 없는 데이터를 처리할 수 있습니다.

메시지 전달

GCN은 메시지 전달 프레임워크를 따릅니다. 각 계층에서 모든 노드는 (1) 이웃으로부터 메시지를 수집하고, (2) 메시지를 집계한 다음, (3) 자신의 임베딩을 업데이트합니다. 계층을 쌓으면 그래프 전체로 정보가 흐를 수 있습니다.

이웃 정보 집계

핵심 연산은 이웃 특성 집계입니다. 간단한 GCN 계층은 노드의 이웃과 노드 자신에 해당하는 특성 벡터의 평균을 구한 다음, 학습된 선형 변환과 비선형성을 적용합니다.

# For each node v:
#   h_v = activation( W * mean(features of v and its neighbors) )

인접 행렬을 정규화하는 이유

이웃을 단순히 합산하면 차수가 높은 노드가 지나치게 큰 영향을 미칩니다. GCN은 정규화된 인접 행렬을 사용해 각 기여도의 크기를 조정하므로, 차수가 서로 다른 노드 사이에서도 노드 임베딩의 크기를 안정적으로 유지합니다.

정규화 공식

대칭 정규화는 자기 자신으로 향하는 엣지를 추가한 다음 노드 차수에 따라 크기를 조정하며, D^(-1/2) (A + I) D^(-1/2)로 나타냅니다. 단위 행렬 I를 추가하면 집계 중에 노드가 자신의 특성을 유지할 수 있습니다.

# A_hat = A + I  (add self-loops)
# D_hat = degree matrix of A_hat
# A_norm = D_hat^(-1/2) * A_hat * D_hat^(-1/2)

PyTorch Geometric

PyTorch Geometric(PyG)은 PyTorch에서 GNN을 사용하기 위한 표준 라이브러리입니다. 정규화된 메시지 전달 합성곱을 대신 구현해 주는 GCNConv와 같은 즉시 사용할 수 있는 계층을 제공합니다.

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

단일 그래프 합성곱 계층

GCNConv(in_channels, out_channels)는 그래프 합성곱 하나를 생성합니다. 노드 특성 행렬 x와 edge_index(COO 형식의 그래프 연결 정보)를 입력으로 받아 업데이트된 노드 임베딩을 반환합니다.

conv = GCNConv(in_channels=16, out_channels=32)
# x: [num_nodes, 16], edge_index: [2, num_edges]
h = conv(x, edge_index)  # -> [num_nodes, 32]

2계층 GCN

일반적인 GCN은 두 계층을 쌓습니다. 첫 번째 계층은 특성을 사상하고 한 단계 떨어진 이웃을 집계하며, 두 번째 계층은 두 단계 떨어진 이웃까지 집계하므로 각 노드가 2홉 수용 영역을 갖게 됩니다.

class GCN(torch.nn.Module):
    def __init__(self, in_dim, hid, out):
        super().__init__()
        self.conv1 = GCNConv(in_dim, hid)
        self.conv2 = GCNConv(hid, out)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = F.dropout(x, training=self.training)
        return self.conv2(x, edge_index)

깊이에 따라 수용 영역이 넓어집니다

각 GCN 계층은 노드의 수용 영역을 한 홉씩 넓힙니다. 두 계층은 2홉 이웃을 보고, 세 계층은 3홉 이웃을 보는 식으로 계속 확장됩니다. 깊이가 깊어질수록 멀리 있는 정보가 노드에 도달할 수 있습니다.

과도한 평활화

하지만 계층을 너무 많이 쌓으면 과도한 평활화가 발생합니다. 이웃을 반복해서 평균 내면 모든 노드 임베딩이 거의 같은 벡터로 수렴하여 분류에 필요한 구별이 사라집니다. 그래서 대부분의 GCN은 2~3개 계층만 사용합니다.

과도한 평활화 완화

과도한 평활화를 줄이는 방법으로는 잔차/건너뛰기 연결, 여러 계층의 출력을 결합하는 점프 지식 네트워크, 그리고 네트워크를 얕게 유지하는 방법이 있습니다. 표준 벤치마크에서는 얕은 GCN이 깊은 GCN보다 더 나은 성능을 내는 경우가 많습니다.

빠른 확인

GCN 지식을 확인해 보세요.

복습

그래프 합성곱 네트워크를 학습하셨습니다:

GCN은 메시지 전달 프레임워크를 따릅니다. 이웃 특성을 집계한 다음 업데이트합니다
자기 자신으로 향하는 엣지가 포함된 정규화된 인접 행렬은 임베딩을 안정적으로 유지합니다
PyTorch Geometric의 GCNConv는 합성곱 하나를 구현합니다
일반적인 구조는 2계층 GCN입니다
깊이가 지나치게 깊으면 과도한 평활화가 발생합니다

자주 묻는 질문

“그래프 합성곱 네트워크(GCN)” 강의는 무료인가요?

네 — “그래프 합성곱 네트워크(GCN)” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“그래프 합성곱 네트워크(GCN)”에서 뭘 배우나요?

메시지 전달 프레임워크, GCNConv, 노드 특성 집계, PyTorch Geometric 설정을 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.

“그래프 합성곱 네트워크(GCN)” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Learn AI with Python(으)로 돌아가기