2026년 38주차 · 급상승 연구 주제
컴퓨터 과학 · Advanced Graph Neural Networks
연 1,648 → 4,401편
분야 평균 대비 +138%p
소셜 네트워크, 분자 구조, 추천 시스템 등 복잡한 관계형 데이터를 효과적으로 분석하고 예측하는 데 GNN이 뛰어난 성능을 보여주며 활용 범위가 넓어지고 있습니다.
출판량은 OpenAlex 전수 데이터를 최근 12개월과 직전 12개월로 나눠 비교한 값이에요. 분야 전체가 함께 커지는 착시를 빼기 위해 분야 중앙값 성장률을 차감한 초과 성장(+138%p)으로 순위를 매겼어요.
학부·석사 수준에서 실제로 착수 가능한 스케일로 좁힌 방향이에요. 마음에 드는 걸 고르면 카라멜 조교가 이어서 구체화해 줘요.
특정 도메인(예: 교통 네트워크, 생물학적 네트워크)의 특성을 반영한 GNN 아키텍처 설계 및 성능 평가
아이디에이션2GNN의 설명 가능성을 높여 모델의 예측 근거를 이해하기 쉽게 시각화하는 방법 연구
아이디에이션3대규모 그래프 데이터에서 GNN 학습 효율성을 높이는 샘플링 또는 분산 학습 기법 개발
아이디에이션인용 속도와 최신성으로 고른 논문이에요. 한국어 요약을 먼저 보고, 원문은 8개 섹션 풀 분석으로 이어갈 수 있어요.
Graph Transformers: A Survey
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 위…
LeF‐MTP: Prioritizing GNN Test Cases by Fusing Model Uncertainty and Feature‐Space Confusability
그래프 신경망(GNN)은 3D 컴퓨터 비전 분야에서 널리 활용되지만, 대규모 테스트 데이터 레이블링 비용으로 인해 신뢰성 검증에 어려움이 있습니다. 기존 딥러닝 테스트 케이스 우선순위 기법들은 단일 차원 휴리스틱이나 뮤테이션 기반 분석에 의존하여 결함 다양성이 제한되거나 막대한 계산 오버헤드를 초래하는 문제가 있었습니다. 본 논문은 이러한 한계를 극복하기 위해 다차원 테스트 우선순위 프레임워크인 LeF-MTP를 제안합니다. LeF-MTP는 계산 집약적인 외부 뮤테이션 대신 모델의 내부 인지 상태를 직접 활용합니다. 예측 불확실성과…
Graph Learning in Bioinformatics: A Survey of Graph Neural Network Architectures, Biological Graph Construction and Bioinformatics Applications
그래프 신경망(GNN)은 생물학적 시스템 모델링에 필수적인 방법론으로 부상했습니다. 단백질 상호작용 네트워크, 유전자 조절 회로, 분자 그래프 등 생물학 데이터의 관계적 특성은 기존 딥러닝 방식으로는 포착하기 어려운 복잡한 의존성을 GNN이 효과적으로 파악하게 합니다. 그러나 생물정보학에서 GNN의 효율성은 모델 설계뿐만 아니라 생물학적 그래프의 구축, 매개변수화 및 훈련 방식에도 크게 좌우됩니다. 본 연구는 생물정보학 분야에서 GNN을 이해하고 적용하기 위한 체계적인 프레임워크를 제공합니다. 이는 크게 세 가지 핵심 차원으로 구…
Enhancing supply chain visibility with knowledge graphs and large language models
오늘날 세계화된 경제에서 효과적인 위험 관리를 위해 포괄적인 공급망 가시성은 필수적이지만, 파트너 간 제한된 정보 공유로 인해 이를 달성하기 어렵습니다. 본 논문은 이해관계자 정보 공유에 직접 의존하지 않고 지식 그래프(KG)와 대규모 언어 모델(LLM)을 활용하여 공급망 가시성을 향상시키는 새로운 프레임워크를 제안합니다. 제안하는 제로샷(zero-shot) LLM 기반 프레임워크는 공개된 소스에서 다양하고 도메인 특화된 공급망 정보를 자동으로 추출합니다. 이를 통해 공급망 주체, 지리적 위치, 소유 구조, 제품 흐름 전반에 걸쳐…
CTI-Thinker: an LLM-driven system for CTI knowledge graph construction and attack reasoning
사이버 위협 인텔리전스(CTI)는 지능형 지속 위협(APT) 방어에 필수적이지만, 기존 CTI 데이터는 비정형성, 단편성, 수동 의존성, 그리고 공격 기법과의 제한적인 의미 매핑으로 인해 하위 추론 작업의 정확도를 저해합니다. 또한, 전통적인 정보 추출 방식은 문맥 인지 및 프롬프트 변화에 대한 민감성 부족으로 인해 교차 문단 의존성, 신규 위협, 저자원 샘플 시나리오에서 일반화에 어려움을 겪습니다. 이러한 한계를 극복하고자, 본 연구는 대규모 언어 모델(LLM)과 ATT&CK 프레임워크 기반의 의미 정렬을 통합한 CTI 지식 그…
Graph Neural Networks in Medical Imaging: Methods, Applications and Future Directions
그래프 신경망(GNN)은 비유클리드 도메인으로 딥러닝을 확장하여 의료 영상 내 공간적, 구조적, 기능적 관계 모델링에 강력한 프레임워크를 제공합니다. 본 논문은 순환, 합성곱, 어텐션 기반, 오토인코딩, 시공간 설계 등 GNN 아키텍처의 최신 발전을 검토합니다. 이러한 GNN 모델들이 분할, 분류, 정합, 재구성, 다중 모드 융합과 같은 핵심 의료 영상 작업에 어떻게 적용되었는지 분석합니다. 또한, 의료 영상에 GNN을 적용할 때의 현재 도전 과제와 한계를 식별합니다. 그래프-트랜스포머 통합, 자기 지도 그래프 학습, 연합 GN…
Physics-Data Synergy in Structural Health Monitoring: A Multi-Scale Graph Contrastive Framework With Temperature-Adaptive Fusion
운영 중인 구조 건전성 모니터링(SHM)은 실제 손상 데이터 부족, 환경 변화의 영향, 고정밀 물리 시뮬레이션의 높은 계산 비용이라는 난제에 직면해 있습니다. 본 연구는 이러한 문제를 해결하기 위해 유한요소해석(FEA)과 자기지도 대조 학습을 결합한 물리-데이터 이중 구동 프레임워크를 제안합니다. 제안된 아키텍처는 두 가지 매트릭스 전략을 활용합니다. 첫째, 모달 해석에서 파생된 기계적 제약 조건을 인코딩하는 정적 물리 기반 매트릭스입니다. 둘째, 노드, 서브그래프, 전역 수준에서 계층적 InfoNCE 목표를 통해 학습되는 동적 …
Graph-Based Approaches and Functionalities in Retrieval-Augmented Generation: A Comprehensive Survey
대규모 언어 모델(LLM)은 불충분한 학습 데이터와 최신 지식 부족으로 인해 추론 과정에서 사실 오류와 환각 문제를 겪습니다. 검색 증강 생성(RAG)은 외부 소스에서 관련 정보를 검색하여 더 정확한 답변을 생성함으로써 이러한 LLM의 한계를 해결할 유망한 대안으로 부상했습니다. 특히 외부 소스에 구조화된 지식이 널리 존재함에 따라, 그래프 관련 기술을 활용하여 지식 개체 간의 위상 정보를 기반으로 복잡한 추론을 달성하려는 RAG 연구가 활발히 진행되고 있습니다. 기존 연구들이 RAG 파이프라인을 요약했지만, 그래프의 역할을 주로…
