그래프 트랜스포머: 최신 연구 동향

그래프 트랜스포머는 그래프 구조 데이터 처리를 위한 새로운 신경망 모델로, 트랜스포머와 그래프 학습의 시너지를 통해 다양한 그래프 관련 태스크에서 뛰어난 성능을 보인다. 본 조사는 그래프 트랜스포머 연구의 최근 발전과 당면 과제를 심층적으로 검토한다. 이 연구는 그래프 및 트랜스포머의 기본 개념부터 시작하여, 그래프 귀납 편향과 그래프 어텐션 메커니즘을 트랜스포머 아키텍처에 통합하는 설계 관점을 탐구한다. 또한, 깊이, 확장성, 사전 학습 전략을 기준으로 그래프 트랜스포머를 분류하는 분류 체계를 제안하고, 효과적인 모델 개발을 위한 핵심 원칙을 요약한다. 기술 분석을 넘어 노드, 엣지, 그래프 수준 태스크에서의 응용 가능성을 논의하고, 다른 응용 시나리오에서의 잠재력도 탐색한다. 마지막으로, 확장성 및 효율성, 일반화 및 견고성, 해석 가능성, 동적 및 복잡 그래프 처리, 데이터 품질 및 다양성 등 분야의 남은 과제를 식별하고 향후 연구 방향을 제시한다.