파이썬으로 그래프 신경망(GNN) 활용하기 – mj의 블로그

Table of Contents

안녕하세요, mj입니다!

오늘은 파이썬에서 그래프 신경망(GNN)을 활용하는 방법에 대해 알아보겠습니다. 그래프 신경망은 복잡한 그래프 구조의 데이터를 처리하고 분석하는 데 매우 유용한 도구입니다. 이 글에서는 GNN의 개념, 활용 사례 및 구현 방법을 자세히 설명하겠습니다.

그래프 신경망(GNN) 개념

그래프 신경망(GNN)은 그래프 구조의 데이터를 처리하기 위한 신경망 모델입니다. GNN은 노드(node), 엣지(edge), 그리고 이들 간의 관계를 학습하여 정보를 전파하는 방식으로 작동합니다. 이러한 구조는 소셜 네트워크, 추천 시스템, 화학 분자 구조 등 다양한 분야에서 활용됩니다.

GNN의 주요 구성 요소

노드(Node): 그래프의 각 지점으로, 데이터 포인트를 나타냅니다.
엣지(Edge): 노드 간의 관계를 나타내며, 연결 정보를 제공합니다.
메시지 패싱(Message Passing): 노드 간의 정보 전파 방식으로, GNN의 핵심입니다.

파이썬에서 GNN 구현하기

파이썬에서 GNN을 구현하기 위해 PyTorch Geometric 라이브러리를 사용할 수 있습니다. 이 라이브러리는 GNN의 다양한 모델과 데이터셋을 쉽게 사용할 수 있도록 지원합니다.

예제: 노드 분류 문제

다음은 노드 분류 문제를 해결하기 위한 간단한 GNN 구현 예제입니다.


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

# 데이터셋 로드
dataset = Planetoid(root='/tmp/Cora', name='Cora')
data = dataset[0]

# GNN 모델 정의
class GCN(torch.nn.Module):
    def __init__(self):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(dataset.num_node_features, 16)
        self.conv2 = GCNConv(16, dataset.num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 모델 훈련
model = GCN()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
model.train()
for epoch in range(200):
    optimizer.zero_grad()
    out = model(data)
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    loss.backward()
    optimizer.step()

# 모델 평가
model.eval()
pred = model(data).argmax(dim=1)
correct = (pred[data.test_mask] == data.y[data.test_mask]).sum()
accuracy = int(correct) / int(data.test_mask.sum())
print('테스트 정확도: {:.4f}'.format(accuracy))