Geometric Deep Learning (GDL)

기하학적 딥러닝 (GDL)은 특히 비유클리드 데이터를 처리하도록 설계된 고급 머신 러닝 기법을 포괄하는 광범위한 용어입니다. 평평하고 예측 가능한 그리드에 놓이는 2D 이미지나 텍스트 시퀀스와 같은 표준 형식과 달리, 비유클리드 데이터에는 다양체와 3D 메시 같은 복잡한 구조뿐만 아니라 정교한 관계형 네트워크도 포함됩니다. 이러한 구조의 고유한 기하학을 반영하는 수학적 프레임워크를 구축함으로써, 기하학적 딥러닝은 AI 시스템이 분자 구조, 복잡한 위상 지도, 동적으로 상호 연결된 시스템을 정확하게 분석할 수 있도록 합니다.

기하학적 딥러닝의 작동 방식#

기하학적 딥러닝의 기본 원리는 복잡한 데이터 세트에 존재하는 대칭성, 불변성, 등변성을 활용하는 데 기반을 둡니다. 실무자들이 자주 묻는 질문 중 하나는 단순한 거리 행렬만으로 기하학적 딥러닝에 충분한가 하는 것입니다. 대답은 아니요입니다. 거리 행렬은 쌍별 거리를 포착하지만, 진정한 기하학적 추론에 필요한 위상학적 세부 정보를 담지 못합니다. 대신 GDL은 메시지 패싱 아키텍처와 이웃 집계에 크게 의존합니다.

기하학적 딥러닝과 그래프 신경망 (GNNs)을 구분하는 것이 유용합니다. GDL이 모든 비유클리드 딥러닝을 포괄하는 상위 이론 분야라면, GNNs는 그래프 데이터에서만 작동하는 특정 유형의 신경망 아키텍처입니다. PyTorch Geometric 및 TensorFlow GNN과 같은 프레임워크는 이러한 딥러닝 원칙을 구현하는 데 널리 사용되며, 노드가 구조적 연결을 기반으로 표현을 업데이트할 수 있도록 합니다.

기하학적 학습과 기존 딥러닝 비교#

합성곱 신경망 (CNNs)과 같은 기존 딥러닝 모델은 컴퓨터 비전 작업의 픽셀 그리드와 같은 유클리드 데이터에 고도로 최적화되어 있습니다. 마찬가지로 순환 신경망 (RNNs)은 선형 시퀀스를 처리하도록 설계되었습니다. 그러나 데이터에 고정되고 규칙적인 구조가 없으면 이러한 기존 네트워크는 제대로 작동하지 못합니다.

기하학적 학습은 불규칙한 형태와 관계형 맵에서 직접 작동함으로써 이러한 한계를 극복합니다. 소셜 네트워크를 분석하거나 3D 환경을 탐색할 때 데이터 포인트의 "이웃"이 더 이상 고정된 픽셀 정사각형이 아니므로 표준 합성곱은 제대로 작동하지 않습니다. 기하학적 모델은 수용 필드를 동적으로 조정하고 데이터의 실제 형태를 정의하는 위상학적 연결을 학습합니다.

기하 그래프와 모델의 실제 적용 사례#

기하 그래프는 노드와 그 구조적 관계를 명시적으로 정의하므로, 기하학적 모델은 다양한 과학 및 상업 분야에서 획기적인 발전을 이끌어 냈습니다:

• 신약 개발: GDL은 분자 상호작용을 예측하는 데 중추적인 역할을 합니다. Google DeepMind의 AlphaFold는 아미노산을 연결된 그래프로 모델링하여 복잡한 단백질 접힘 문제를 해결하기 위해 공간 추론 기법을 활용하는 것으로 잘 알려져 있습니다.
• 소셜 네트워크 분석: 플랫폼은 GDL을 사용하여 사용자 상호작용을 분석하며, 소셜 네트워크 분석 토폴로지를 매핑하여 고급 추천 시스템과 사기 탐지를 구현합니다.
• 3D 컴퓨터 비전: GDL은 자율주행 차량과 증강 현실을 위해 LiDAR 포인트 클라우드와 3D 메시를 처리하는 데 자주 적용됩니다.

GDL과 컴퓨터 비전 통합#

기존 2D 컴퓨터 비전과 기하학적 모델을 결합하면 고급 공간 추론 및 3D 객체 탐지가 가능한 매우 견고한 시스템을 구축할 수 있습니다. Ultralytics YOLO26과 같은 강력한 2D detector를 사용하면 개발자가 장면에서 객체를 신속하게 찾을 수 있습니다. 그런 다음 이렇게 탐지된 객체의 좌표를 기하 그래프의 기초 노드로 사용할 수 있으며, 이를 통해 다운스트림 GNN이 시각적 요소 간의 복잡한 관계를 추론할 수 있습니다(예: "Scene Graph" 생성).

다음 Python 스니펫은 ultralytics 패키지를 사용하여 객체 탐지 좌표를 추출하고 기초적인 기하 그래프 구조를 시작하는 방법을 보여 줍니다:

import torch
from ultralytics import YOLO

# Load the Ultralytics YOLO26 model for high-speed object detection
model = YOLO("yolo26n.pt")

# Perform inference to detect objects
results = model("path/to/image.jpg")

# Extract the center coordinates (x, y) of bounding boxes to act as graph nodes
nodes = results[0].boxes.xywh[:, :2].cpu()
node_tensor = torch.tensor(nodes.numpy(), dtype=torch.float)

print(f"Extracted {node_tensor.size(0)} nodes for Geometric Deep Learning mapping.")

유클리드 객체 탐지와 비유클리드 매핑을 결합하는 대규모 하이브리드 시스템을 구축하는 팀에게는 복잡한 데이터 어노테이션을 관리하는 것이 매우 중요합니다. Ultralytics Platform은 이러한 기반 비전 모델을 안전하게 어노테이션하고, 학습시키며, 원활하게 배포하여 고급 공간 파이프라인을 지원할 수 있는 엔드투엔드 환경을 제공합니다.