도시 자원 배분을 그래프 기반 순차적 의사결정으로 모델링한 CityPlannerEnv 위에 구축된 GraphAllocBench는 사용자 정의 가능한 목적 함수, 다양한 선호도 조건, 복잡한 파레토 프론트(Pareto Front)를 갖춘 다목적 강화학습(MORL)용 벤치마크로, 기존 PCPL 벤치마크의 단순 태스크·고정 환경 한계를 극복한다. 하이퍼볼륨 지표를 보완하는 비지배 해 비율(PNDS)과 순서 점수(OS)를 새로 제안하고, 그래프 신경망(GNN) 기반 PCPL-PPO 실험을 통해 고차원 할당 문제에서 기존 지표로는 드러나지 않는 실패 모드를 규명했다.
AtomBench는 생성 모델이 결정 재구성 시 접근하는 결정학적 정보의 양과 유형에 따른 성능 차이를 공정하게 비교하기 위한 모델 불가지론적 벤치마킹 프레임워크로, 기존 초전도체 데이터셋에 AtomGPT, CDVAE, FlowMM, MatterGen을 적용해 평가한다. 불연속적인 구조 매칭 기반 지표의 한계를 보완하는 연속 보정 RMSD(ccRMSD)를 새롭게 도입했으며, MatterGen이 원자 좌표 재구성에서 가장 우수한 성능을 보였고 임계 온도 T_c 조건부 학습은 재구성 충실도를 일관되게 향상시키지 않음을 확인했다.
기존 3D-LLM이 단일 공간 장면에 국한되었던 한계를 극복하기 위해, CAIRN은 그래프 신경망과 계층적 어텐션 마스크를 활용해 다중 공간 환경의 객체-공간 계층 구조와 토폴로지를 명시적으로 모델링한다. HM3D 기반의 새로운 다중 공간 벤치마크 CAIRN-MR에서 그라운딩, 캡셔닝, 공간 간 비교 추론 등 6가지 태스크 전반에 걸쳐 기존 3D-LLM을 큰 차이로 능가했다.
이미지 분류에서 그래프 신경망(GNN)을 활용할 때 그래프 구조 자체가 성능에 미치는 영향을 체계적으로 분석하기 위해, 고정된 3층 GCN 아키텍처 환경에서 픽셀, 슈퍼픽셀, 관심점 기반 노드 정의와 K-NN, RAG 등 다양한 엣지 정의 방식을 비교 실험하였다. 실증 연구를 통해 노드 및 엣지 임베딩보다 그래프 위상(topology) 구조가 성능에 더 결정적인 영향을 미침을 보이며, 그래프 활용 이전의 구성 단계에 대한 방법론적 기여를 제공한다.
비트리밍 영상에서 운전자 피로도를 효율적으로 평가하기 위해, 계층적 이종 하이퍼그래프로 포즈 분리된 기하학적 특징과 텍스처 패치를 고차 융합하고, 선형 복잡도의 Bi-Mamba 모듈로 장거리 시간 의존성을 모델링하는 HST-HGN을 제안한다. 다양한 피로도 벤치마크에서 최고 수준의 성능을 달성하면서도 실시간 엣지 배포에 적합한 연산 효율성을 확보하였다.
SAGE는 시각적 장소 인식(VPR)에서 공간 컨텍스트와 시각적 유사성 간의 동적 상호작용을 학습에 반영하지 못하는 기존 방법의 한계를 극복하기 위해, 경량 Soft Probing 모듈과 에포크마다 재구성되는 온라인 지오-시각 그래프, 그리고 탐욕적 가중 클리크 확장 샘플러를 결합한 통합 학습 파이프라인을 제안한다. 고정된 DINOv2 백본과 파라미터 효율적 파인튜닝으로 구현된 SAGE는 8개 벤치마크에서 최첨단 성능을 달성하며, 특히 4096D 전역 디스크립터만으로 SPED에서 100% Recall@10을 기록한다.
서비스 로봇이 인간 중심 환경에서 사회적으로 적절하게 행동할 수 있도록, 기존 3D Scene Graph에 인간의 속성·활동·근거리 및 원거리 관계를 오픈-어휘 방식으로 통합한 Social 3D Scene Graph와 이를 구축하는 ReaSoN 모듈을 제안한다. 합성 및 실제 환경으로 구성된 SocialGraph3D 벤치마크에서 인간 활동 예측과 인간-환경 관계 추론 모두에서 기존 방법 대비 향상된 성능을 보여주며, IROS 2026에 게재 승인되었다.
부호 그래프 기반 소셜 추천에서 구조적·전파·의미적 계층 간 비일관성 문제를 규명하고, 이를 구조적 일관성 최대화 문제로 재정의하는 통합 프레임워크 SSC-Loop를 제안한다. SSC-Loop는 그래프 정제 모듈 ESA-DA, 극성 인식 P/N/O 전파 메커니즘, 대조 학습(contrastive learning) 기반 의미 정렬을 폐루프 방식으로 통합하여 Epinions 벤치마크에서 강력한 성능을 달성했다.
통계역학에서 영감받은 에너지 기반 프레임워크를 제안하여, 방향성 인과 그래프 복원 없이 사이버-물리 IoT 시스템의 변수 의존성을 비방향성 에너지 지형으로 모델링하고 의존성 인식 어트리뷰션(attribution)을 수행한다. SWaT 산업용 IoT 테스트베드 실험에서 GNNExplainer 등 최신 그래프 기반 방법 대비 어트리뷰션 정확도, 섭동 견고성, 확장성 모두에서 우수한 성능을 입증하였다.
신약 개발 초기 단계에서 수용성(aqueous solubility) 예측 시 물리화학적 기술자와 분자 그래프 정보를 혼합하면 예측 기여 요인이 불분명해지는 문제를 해결하기 위해, MLP와 GNN을 별도의 브랜치로 유지하다가 예측 단계에서만 덧셈형으로 결합하는 프레임워크를 제안한다. AqSolDB 사전학습 후 BigSolDB2 파인튜닝을 통해 정확도와 안정성을 높였으며, GNNExplainer와 선형 투영 분석으로 화학 브랜치는 물리화학적 기술자에, 구조 브랜치는 그래프 위상 및 작용기 패턴에 대응함을 해석 가능하게 보였다.
전염병의 시공간적 확률 예측을 위해 사전 가산 잡음(pre-additive noise) 메커니즘과 에너지 스코어 최적화를 결합한 경량 심층 생성 프레임워크 MVEN, GCEN, STEN을 제안하며, 이 모델들은 불확실성을 내생적으로 정량화하여 별도의 보정 없이 예측 구간을 생성한다. 6개 역학 데이터셋에 걸친 평가에서 기존 시공간 벤치마크 대비 점 예측과 확률적 예측 모두에서 우수한 성능을 보였으며, 시공간 엔그레션 과정의 기하학적 에르고딕성과 점근적 정상성에 대한 이론적 보장도 확립하였다.
분산 환경의 로컬 그래프 데이터에서 사용자마다 다른 프라이버시 요구 사항을 무시하던 기존 LDP 기반 그래프 학습의 한계를 극복하기 위해, 개인화된 교란 메커니즘(PPM)과 가중치 보정 알고리즘 FlexProp으로 구성된 PPGNN 프레임워크를 제안한다. 6개의 실제 그래프 데이터셋과 GCN, GraphSAGE, GAT 등 세 가지 GNN 아키텍처 실험에서 PPGNN은 기존 기법 대비 우수한 성능을 보이며 비프라이버시 상한에 근접한 효용을 달성했다.
그래프 설명 가능한 AI(G-XAI)는 그래프 신경망(GNN)을 해석 가능하고 책임 있게 만드는 데 있어 점점 더 중요해지고 있다. 사용 가능한 설명기(explainer)의 수는 늘어나고 있지만, 적절한 방법을 선택하고 그 출력의 신뢰성을 평가하는 기준은 여전히 불명확하다. 일관된 평가 관행과 실용적인 지침이 부재하여 실제 도입에 걸림돌이 되고 있다. 본 논문에서는 정답(ground-truth) 가정이 필요 없는 G-XAI를 위한 통합적·정량적 벤치마킹 프레임워크를 제안한다. 우리는 그래프 데이터에 대한 표 형식의 설명 가능성 지표를 형식화하여, 위상적 구조와 노드(node) 특징을 독립적인 구성 요소로 평가한다. 대규모 벤치마킹 연구를 통해 지표 쌍 및 태스크 전반에 걸쳐 일관되게 파레토 프론트(Pareto front)에 위치하는 설명기를 식별하여 강건하게 비지배적인 솔루션을 확립하는 한편, 단일 설명기가 보편적인 우위를 달성하지 못한다는 점도 확인한다. 우리는 이러한 발견을 머신러닝 실무자들이 신뢰할 수 있는 GNN 기반 파이프라인을 평가하고 배포하는 데 활용할 수 있는 실용적인 G-XAI 사용성 가이드라인으로 정리한다.
PREDIKTOR는 치료 전 전사체만으로 환자별 약물 반응을 예측하기 위해, DysRegNet으로 구성한 개인화 유전자 조절 네트워크(지식 그래프 뷰)와 LINCS L1000에서 사전학습된 전사체 섭동 뷰를 CLIP 방식의 대조 학습으로 정렬하는 멀티뷰 프레임워크다. TCGA 평가에서 최신 기준 모델을 일관되게 상회하고, I-SPY2 임상시험에 제로샷 전이 시 AUROC를 5.6% 향상시켰으며, 해석 가능한 유전자·경로 기여도를 통해 알려진 기전을 복원한다.
다중 속성 차량 경로 문제(MAVRP)를 위한 신경 자기회귀 솔버의 불투명한 의사결정을 해석하기 위해, 인코더 측에서는 선형 프로브·자발적 조직화·발견된 방향 분석을, 디코더 측에서는 그래디언트·통합 그래디언트·DeepLIFT 기반의 귀추적·대조적·반사실적 어트리뷰션을 결합한 통합 XAI 프로토콜을 제안한다. 세 가지 인코더(Att, Unimp, UnimpMoe)와 두 가지 디코더(Hard-Mask, Recourse)로 구성된 여섯 가지 변형 실험에서, 그래프 귀납적 바이어스가 표현 예측 가능성과 디코더 타당성을 향상시키고 Recourse 학습 방식이 Hard-Mask 정책으로는 생성 불가능한 실현 가능성 복원 반사실(make-feasible counterfactual)을 산출함을 확인했다.
슈퍼픽셀 그래프 기반 이미지 분류에서 GNN의 장거리 의존성 포착 한계와 이동/회전 불변성 미보존 문제를 해결하기 위해, PCA 기반 전처리와 Graph Transformer를 결합한 SuperGT 프레임워크를 제안한다. CIFAR-10 벤치마크에서 다수의 베이스라인을 크게 상회하며, 각 슈퍼픽셀 경계점 좌표에 의존하는 기존 최고 성능 모델 ShapeGNN과 유사한 수준의 성능을 달성했다.
자기지도 학습(SSL)은 특징 표현과 일반화를 개선함으로써 교차 데이터셋 전이에 강한 잠재력을 보인다. 그러나 EEG 기반 감정 인식에 대한 적용은 아직 대부분 미탐구 영역으로 남아 있다. 기존 SSL 방법들은 다양한 채널 구성 하에서 EEG 신호의 복잡한 시공간적 의존성을 포착하고, 노이즈에 강인한 세밀한 표현을 추출하며, 피험자 간 잘 일반화되는 전역 특징을 도출하는 데 어려움을 겪는다. 이러한 과제를 해결하기 위해, 우리는 EEG 기반 감정 인식을 위해 특별히 설계된 새로운 SSL 프레임워크인 마스크 생성-대조 표현 학습(MGCRL)을 제안한다. 영역 인식 시공간 인코더를 기반으로 구축된 MGCRL은 생성 학습과 대조 학습을 통합하여 교차 데이터셋 일반화를 위한 세밀한 표현과 전역 판별 표현을 모두 달성한다. MGCRL은 세 가지 핵심 설계를 도입한다: 1) 지역화된 공간적·기능적 관계를 포착하기 위해 영역 기반 그래프 합성곱을 통합한 시공간 인코더로, 영역별 특징 학습을 강화하고 데이터셋 간 다양한 EEG 채널 구성의 영향을 완화한다; 2) 마스크된 특징을 활용하여 노이즈 강인성이 있는 세밀한 표현을 포착하는 결합 임베딩 예측 아키텍처(JEPA) 기반 생성 학습 메커니즘으로, 미묘한 감정 상태를 특성화하는 모델의 역량을 향상시킨다; 3) 동일한 자극에 걸쳐 시간적으로 안정적이고 피험자 간 불변적인 표현을 학습하기 위해 마스크된 특징과 원본 특징을 활용하는 대조 학습 전략으로, 감정 판별과 피험자 간 일반화를 향상시킨다. 이러한 설계들 하에서 MGCRL은 보편적 표현을 학습하는 뛰어난 능력을 보인다. 대규모 FACED 데이터셋에서 사전학습하고 다수의 SEED-시리즈 데이터셋에서 미세조정하는 광범위한 실험이 MGCRL의 효과성을 입증한다.
GNN에 대한 블랙박스 노드 주입 공격에서 기존 방법들이 악성 노드의 특징 생성과 엣지 연결을 분리 처리해 공격 효과가 저하되는 문제를 해결하기 위해, 이 연구는 공격을 마르코프 결정 과정으로 정식화하고 타깃 인식 상호작용 인코더, 클래스 중심 유도 메커니즘, 토폴로지 차이 인식 상태 가치 평가를 통합한 강화학습 프레임워크 TIRBA를 제안한다. 실험 결과 TIRBA는 4개의 실세계 벤치마크 데이터셋에서 최신 블랙박스 노드 주입 공격 방법들을 크게 능가하는 성능을 보였다.
페이스 포셋(face poset) 위의 등변 번들(equivariant bundle) 이론을 기반으로, 그래프 메시지 패싱과 시프 신경망(sheaf neural networks)을 통합하는 순서-등변 신경망(OENN)을 제안하며, 모든 선형 순서-등변 맵의 특성화와 함께 시프 신경망 최초의 보편 근사 정리(UAT)를 증명한다. 나아가 OENN을 범주-등변 신경망(CENN)으로 확장해 비가역 대칭성을 포함한 범주적 대칭성까지 활용할 수 있는 일반적 프레임워크를 제시한다.
NetinfoGC는 기존 그래프 신경망(GNN)의 블랙박스 임베딩 의존성을 탈피하여, 전파 기반 기술자와 그래프 중심성(centrality) 측도를 결합한 순열 불변 표현 위에 비지도 NUI(Network Usable Information) 추정 및 희소 그룹 LASSO 정규화를 적용하는 그래프 분류 프레임워크다. 벤치마크 실험에서 차수 중심성(degree centrality)과 같은 고전적 구조 기술자가 학습 기반 표현과 동등하거나 우수한 성능을 보였으며, 추정된 NUI가 다운스트림 분류 정확도와 강한 상관관계를 나타내 엔드-투-엔드 신경망 학습 없이도 표현 유용성을 사전에 평가할 수 있음을 검증하였다.