지난 10년 동안 그래프 인공신경망(Graph Neural Networks, GNNs)은 필수적이고 인기 있는 딥러닝 모델로 자리잡았다. 그래프 신경망은 이미 약물 발견(drug discovery) 분야에서 새로운 항생제인 할리신을 예측하고, 구글 맵스(Google Maps) 에서 도착 예정 시간(Estimated Time of Arrival, ETA) 계산을 개선하는 등 다양한 산업에 중대한 영향을 미쳤다. 기술 회사와 대학들은 추천 시스템, 가짜 뉴스 탐지, 칩 설계 등 다양한 응용 분야에서 GNN의 잠재력을 탐구하고 있다. GNN은 엄청난 잠재력을 지니고 있으며 아직 발견되지 않은 많은 응용 분야가 있어, 실세계 문제를 해결하는 데 있어 중요한 도구가 되고 있다.
이 책에서는 GNN에 대한 포괄적이고 실용적인 개요를 제공하고자 한다. 우리는 그래프 이론과 그래프 학습의 기본 개념을 탐구하는 것으로 시작하여 가장 널리 사용되고 잘 확립된 GNN 아키텍처에 대해 자세히 다룰 것이다. 또한, GNN의 최신 발전을 다루고 특정 작업을 해결하기 위해 설계된 전문 아키텍처도 소개할 것이다.
이와 같은 특화된 장 외에도, 실제 프로젝트 세 개를 통해 실제 경험을 제공할 예정이다. 이 프로젝트들은 교통 예측, 이상 탐지, 추천 시스템 등 GNN의 중요한 실제 응용 분야를 다룰 것이다. 이 프로젝트들을 통해 GNN이 어떻게 작동하는지 더 깊이 이해할 수 있을 뿐만 아니라 실제 시나리오에서 이를 구현할 수 있는 기술도 개발할 수 있다.
마지막으로, 이 책은 각 장의 기술과 관련 응용 프로그램에 대한 읽을 수 있는 코드를 제공하는 실제 학습 경험을 제공하며, 이 코드는 GitHub과 Google Colab에서 쉽게 접근할 수 있다. 이 책을 마칠 때쯤이면 그래프 학습과 GNN 분야에 대한 포괄적인 이해를 갖게 되며, 다양한 응용 분야에 이 모델을 설계하고 구현할 준비가 되어 있을 것이다.
제1장 그래프 학습 시작하기
제2장 그래프 인공신경망을 위한 그래프 이론
제3장 딥워크(DeepWalk)로 노드 표현(node Representations) 생성
제4장 노드투벡(Node2Vec)의 편향된 랜덤 워크(random walk)를 사용한 임베딩 개선
제5장 기본 인공신경망(Vanilla Neural Networks)을 사용한 노드 특성값(node features) 포함시키기
제6장 그래프 컨볼루션 신경망
제7장 그래프 어텐션 신경망
제8장 GraphSAGE를 통한 그래프 인공신경망 확장
제9장 그래프 분류를 위한 표현력 정의
제10장 그래프 신경망을 이용한 링크 예측
제11장 그래프 신경망을 이용한 그래프 생성
제12장 이종 그래프 인공신경망 학습
제13장 시간적 그래프 신경망
제14장 그래프 인공신경망 설명하기
제15장 A3T-GCN을 사용한 교통 예측
제16장 이종 그래프 인공신경망을 활용한 이상 감지
제17장 LightGCN을 활용한 추천시스템 구축
제18장 실세계 응용을 위한 그래프 인공신경망의 잠재력 활용하기