[MIT AI Lecture: Deep Learning 5] GNN, 그래프 신경망 아키텍처 | Attention, 트랜스포머, CNN

00:00 그래프 아키텍처 도입 및 딥러닝에서의 중요성 설명
01:13 현실 세계 데이터의 비정형적 관계망(그래프) 특징
02:08 데이터를 1차원 순서로 나열할 때 발생하는 정보 왜곡 문제
02:35 GNN의 핵심 원칙인 순열 불변성과 동변성 개념
03:47 이미지(CNN) 구조를 그래프의 특수한 형태로 해석
05:33 노드 간 통신을 통한 정보 전달인 메시지 패싱의 기본 원리
05:56 이웃 노드 정보를 통합하는 집계(Aggregate) 단계와 함수 종류
07:55 노드 상태를 최신 정보로 업데이트하는 갱신(Update) 단계
08:56 레이어 반복을 통한 계산 트리 구조와 수용 영역 확장
09:31 GNN이 구별하지 못하는 그래프 구조(동형성 문제)의 한계
10:49 GNN의 표현력과 고전 그래프 이론(WL 테스트)의 연결
11:29 집계 함수 선택(Sum vs Mean)에 따른 실제 학습 성능 차이
12:25 대칭적 구조를 구별하기 위한 위치 인코딩 기법
13:22 노드 및 그래프 전체의 속성을 판단하는 임베딩과 읽기 작업
14:22 트랜스포머 모델을 Attention을 사용하는 GNN으로 해석하며 마무리