GNN 기반 링크 예측 연구를 GNN 아키텍처 관점에서 체계적으로 정리한 종합 서베이다. 기존 리뷰들이 기반 GNN 구조와 다양한 그래프 구조를 체계적으로 다루지 못한 공백을 메우기 위해, 기법과 응용 두 축의 새 분류 체계를 제안했다. 기법 측면에서는 GCN·GAE(그래프 오토인코더)·GAT·그래프 트랜스포머(GFormer) 기반 인코더 아키텍처의 장단점을 분석하고, 응용 측면에서는 지식 그래프와 추천 시스템에서의 대표 활용 사례를 조명했다. 현재의 과제와 유망한 향후 연구 방향도 함께 제시해, 누락된 연결 추론이나 미래 링크 예측을 다루는 연구자·실무자가 아키텍처 선택 기준을 잡는 데 유용한 참고 자료다.
- •기반 GNN 아키텍처 관점에서 링크 예측 연구를 기법·응용 두 축으로 분류하는 새 택소노미 제안
- •GCN·GAE·GAT·GFormer 기반 인코더 아키텍처의 강점과 한계 비교 분석
- •지식 그래프와 추천 시스템을 중심으로 실제 응용 사례 조명
- •현재 과제와 향후 유망 연구 방향 제시
A Survey on GNN-based Link Prediction: Techniques, Applications, and Challenges
- 1.GNN 기반 링크 예측 연구를 아키텍처 관점에서 체계화한 서베이 발표
- 2.GCN·GAE·GAT·GFormer 기반 인코더별 강점과 한계를 기법 축으로 분류
- 3.지식 그래프와 추천 시스템을 중심으로 응용 사례와 실제 임팩트 정리
- 4.현재 과제와 유망 향후 연구 방향 제시
왜 중요한가?
기존 리뷰들이 놓친 'GNN 아키텍처별' 체계적 비교를 제공해, 지식 그래프 보완·추천 시스템 등 링크 예측 응용에서 어떤 인코더 계열을 선택할지 판단하는 기준점을 제공한다.
본문 미리보기
arXiv:2607.16198v1 Announce Type: new Abstract: Graph Neural Networks (GNNs) have emerged as the leading paradigm for link prediction, enabling the inference of missing connections and the anticipation of potential future links. However, existing reviews lack systematic exploration specifically targeting underlying GNN architectures and diverse graph structures. To address this critical gap, this paper provides a comprehensive review of GNN-based link prediction from a novel and dedicated GNN p
전체 내용이 궁금하다면?
원문을 직접 읽어보세요