1. 강의 정보
- 강의 시간: 화요일 (2–3교시), 목요일 (3교시)
- 강의실: 소피이바라관 B346
2. 담당교수 및 조교
담당 교수
- 이름: 이오전 교수
- 연구실: 미카엘관 T404
- 이메일: ojlee@catholic.ac.kr
- 웹사이트: NSLab @ CUK
- 오피스 아워: 추후 공지 (이메일 문의 혹은 시간 지정)
3. 교과목 개요
이 강의는 그래프 신경망(GNN, Graph Neural Networks)의 이론적 기반부터 최신 연구 동향까지 심층적으로 다루는 과목입니다. 수강생들은 다음을 학습하고 실습할 수 있습니다.
- 그래프 이론의 기본 개념과 머신러닝과의 연관성
- 그래프 컨볼루션 신경망(GCN): 구조, 학습 방법, 한계(예: 오버스무딩)
- 고급 GNN 모델: 그래프 어텐션 네트워크(GAT), 구조 유지 GNN(GIN 등), 그래프 트랜스포머
- 그래프 풀링(Graph Pooling): DiffPool, SAGPool, 계층적 구조 학습
- 그래프 오토인코더 및 생성 모델
- 동적·이질 그래프 신경망: 시변 그래프, 관계형 GCN, HAN 등
학기 종료 시 수강생들은:
- 그래프 이론과 GNN의 핵심 개념을 확실히 이해
- 다양한 GNN 모델(GCN, GAT, 트랜스포머 등)을 설계·학습·평가할 수 있는 능력
- GNN이 지니는 전형적인 문제점을 인지하고 해결 방안을 모색
- 자연어 처리(NLP), 소셜 네트워크 분석, 생물정보학, 추천 시스템 등의 실제 문제에 GNN 적용
- GNN 분야의 최신 연구 트렌드 파악
4. 학습자료
-
강의노트 및 과제
매주 온라인 학습 플랫폼(또는 아래 기재된 GitHub 저장소)에 강의자료와 과제 정보가 업로드됩니다. -
실습 및 과제 GitHub 저장소
https://github.com/stars/NSLab-CUK/lists/graph-neural-networks
5. 주차별 강의 일정 (예정)
| 주차 | 주제 | 핵심 개념 및 활동 |
|---|---|---|
| 1 | 그래프 신경망 소개 | - GNN의 동기 및 필요성 - 노드·엣지·그래프 임베딩 - 그래프 머신러닝 개론 |
| 2 | 그래프 컨볼루션 신경망(GCN) 기초 | - GCN 기본 구조 - 컨볼루션 연산 원리 - 메시지 전달(Propagation) 방식 |
| 3 | GCN 변형 모델 및 한계 | - GraphSAGE - GCN의 대표적 한계(오버스무딩, 오버스쿼싱 등) |
| 4 | GCN 한계 극복 | - 오버스무딩에 대한 대처 - 확장성(Scalability) 문제 해결 방안 |
| 5 | 그래프 어텐션 네트워크(GAT) I | - GAT의 기본 원리 - 어텐션 메커니즘 |
| 6 | 그래프 어텐션 네트워크(GAT) II | - 멀티헤드 어텐션 - GAT 학습 방법 - GAT의 응용 사례 |
| 7 | 구조 유지 GNN(Structure-Preserving GNNs) I | - 구조 유지 필요성 - 그래프 동형(GIN) 개념 |
| 8 | 중간고사 | - 1~7주차 내용 평가 |
| 9 | 구조 유지 GNN(Structure-Preserving GNNs) II | - 추가 모델 및 사례 연구 |
| 10 | 그래프 트랜스포머 I | - NLP 분야 트랜스포머 기초 - “Attention Is All You Need” - 그래프에 트랜스포머 적용하기 |
| 11 | 그래프 트랜스포머 II | - Graph Transformer Networks(GTN) - 그래프 트랜스포머 응용 - 사례 연구 |
| 12 | 그래프 풀링(Graph Pooling) 기법 | - DiffPool - SAGPool - Global Attention Pool - 계층적 그래프 풀링 |
| 13 | 그래프 오토인코더(GAE) 및 변분 그래프 오토인코더(VGAE) | - GAE 기본 구조 - VGAE 개념 - 그래프 생성/이상 탐지 분야 응용 |
| 14 | 동적·이질 그래프 신경망 | - Dynamic GCN, Recurrent GNN, EvolveGCN - HGCN, RGCN, HAN 등 |
| 15 | (오픈/복습 주간)* | - (프로젝트 발표, 초청 강의, 복습 등 선택 진행) |
| 16 | 기말고사 | - 1~14주차 전체 내용 종합 평가 |
* 15주차는 추가 복습, 프로젝트 발표, 특별 강의 등 진행 가능성 있음 (교수 재량).
6. 실습 및 과제
- 과제: GitHub 저장소에 매주 실습 자료와 과제 문제가 올라옵니다.
모든 과제는 정해진 기한 내에 온라인 학습 플랫폼을 통해 제출해야 합니다.
지각 제출 정책
- 마감 기한 이후 제출된 과제는 최고 B(8점)까지 점수가 가능합니다.
- 기한을 크게 넘겼거나 미제출 시 해당 과제는 F(0점) 처리될 수 있습니다.
7. 평가 방식
| 항목 | 비중 |
|---|---|
| 출석 | 10% |
| 과제 | 30% |
| 중간고사 | 30% |
| 기말고사 | 30% |
성적 등급 기준
- A: 80–100
- B: 60–80
- C: 60 미만
- F: 시험 결시
(교수 재량으로 등급 기준이 조금 조정될 수 있습니다.)
8. 학문 윤리 및 표절 방지
- 표절이나 그 어떤 형태의 학업 부정행위도 허용되지 않습니다.
- 모든 과제 및 시험은 개인이 직접 작성·제출해야 합니다.
- 사용한 모든 참고 자료는 명확히 출처를 밝혀야 하며, 이를 어길 시 엄중 처벌(과제/시험 0점, 과목 낙제 등)이 있을 수 있습니다.
9. 시험
- 중간고사 (8주차): 평가 방식 및 범위는 추후 공지 예정
- 기말고사 (16주차): 전체 주요 내용을 종합적으로 평가
- 추가 시험 정책: 질병 등 불가피한 사유 발생 시, 증빙 서류 제출 시에만 재시험을 허용합니다.
10. 문의 및 오피스 아워
- 교수 오피스 아워: 추후 공지. 이메일로 예약하거나 질문할 수 있습니다.
- 조교 오피스 아워: 추후 공지. 과제, 프로젝트 등 강의 전반에 대한 문의를 받을 예정입니다.
주의: 본 강의계획서는 일부 변경될 수 있으며, 변경 사항은 온라인 학습 플랫폼 혹은 이메일로 안내됩니다. 모든 학생은 공지사항을 꼼꼼히 확인하시기 바랍니다. 즐거운 학기가 되길 바랍니다!