Hyperbolic Graph Neural Networks

00

분석 범위와 용어

기하학적 HGNN과 유사 용어를 구분하는 출발점

이 문서는 2026년 7월 12일 기준으로 2025년 이후 공개·출판된 Hyperbolic Graph Neural Network 관련 연구를 중심으로 구성한다. 수학적 정의와 핵심 연산은 2019년 HGCN 및 초기 HGNN 연구에서 확립된 기반을 함께 사용한다.

Hyperbolic GNN

음의 곡률을 갖는 쌍곡기하 공간에서 노드·간선·그래프 표현을 학습하는 GNN이다.

Hypergraph Neural Network

하나의 간선이 여러 노드를 연결하는 하이퍼그래프를 위한 신경망이다. 쌍곡기하와 직접적인 관련이 없다.

Hyperbolic-PDE GNN

파동방정식 계열의 hyperbolic PDE를 사용하는 GNN을 의미할 수 있으며, 기하학적 HGNN과 구분해야 한다.

용어 주의. 2025년 ICML의 Hyperbolic-PDE GNN에서 “hyperbolic”은 편미분방정식의 분류를 의미한다. 음의 곡률을 사용하는 기하학적 HGNN과 동일한 연구 계열로 간주하면 안 된다.

01

Definition

HGNN을 다양체 기반 message passing으로 정의

1.1 수학적 정의

그래프를 \(G=(V,E,X)\)로 두고, \(V\)는 노드 집합, \(E\)는 간선 집합, \(X\in\mathbb{R}^{|V|\times d_0}\)는 입력 특성이라 한다.

Euclidean GNN은 각 노드 \(v_i\)를 \(\mathbf{h}_i\in\mathbb{R}^{d}\)로 표현한다. HGNN은 노드 표현을 음의 곡률 \(K<0\)을 갖는 리만 다양체 위의 점으로 정의한다.

\[ \mathbf{h}_i \in \mathcal{M}_{K}^{d} \]

이상적인 HGNN은 거리, 선형변환, 이웃 집계, 정규화, 활성화, attention, readout을 다양체의 기하학에 맞게 정의한다.

\[ \mathbf{h}_i^{(\ell+1)} = \operatorname{Update}_{\mathcal M} \left( \mathbf{h}_i^{(\ell)}, \operatorname{Aggregate}_{\mathcal M} \left\{ \mathbf{h}_j^{(\ell)}:j\in\mathcal{N}(i) \right\} \right) \]

1.2 직관적 정의

핵심 직관. Euclidean GNN이 노드를 평평한 지도 위에 배치한다면, HGNN은 바깥으로 갈수록 공간이 급격히 넓어지는 음의 곡률 공간에 배치한다.

이 공간은 루트에서 자식, 손자, 증손자로 갈수록 노드 수가 증가하는 트리형 구조를 낮은 차원에서도 상대적으로 자연스럽게 수용한다. 계층, 분류체계, ontology, scale-free network, 장기꼬리 사용자–아이템 구조에 유리할 가능성이 있다.

그러나 2025년 이후 연구는 “그래프가 트리처럼 보인다”는 사실만으로 HGNN의 우수성이 보장되지 않는다는 점을 반복해서 강조한다.

02

Problem Definition

구조 보존과 예측 성능을 동시에 만족시키는 학습 문제

2.1 전통적 문제설정

HGNN의 기본 문제는 그래프 \(G\)와 과제 \(T\)가 주어졌을 때, 그래프 구조와 특성을 낮은 왜곡으로 보존하면서 목표 예측을 수행하는 함수 \(f_\theta\)를 학습하는 것이다.

\[ f_\theta:G\rightarrow \left(\mathcal{M}_{K}^{d}\right)^{|V|} \]

Node Classification

\[g_\phi(\mathbf h_i)\rightarrow y_i\]

Link Prediction

\[s(\mathbf h_i,\mathbf h_j)\rightarrow P((i,j)\in E)\]

Graph Classification

\[g_\phi(\operatorname{Readout}_{\mathcal M}(H))\rightarrow y_G\]

Recommendation

\[s(\mathbf h_u,\mathbf h_a)\rightarrow \text{preference}\]

학습 목적은 다음처럼 구성할 수 있다.

\[ \min_{\theta,\phi,K} \mathcal L_{\text{task}} +\lambda_1\mathcal L_{\text{distortion}} +\lambda_2\mathcal L_{\text{geometry}} +\lambda_3\mathcal L_{\text{stability}} \]

\(\mathcal L_{\text{task}}\): 분류, 링크 예측, 추천 등 목표 손실
\(\mathcal L_{\text{distortion}}\): 그래프 거리와 측지선 거리 사이의 왜곡
\(\mathcal L_{\text{geometry}}\): 곡률과 계층 구조의 정합성
\(\mathcal L_{\text{stability}}\): 경계 포화, 수치오차, 표현 붕괴 제어

2.2 Geometry–Task Alignment

2026년 이후 문제정의에는 다음 질문이 추가된다.

새로운 핵심 질문. 입력 그래프의 기하가 쌍곡적인가뿐 아니라, 예측해야 할 목표값의 기하도 쌍곡적인가?

링크 예측은 노드 거리와 연결 확률이 직접 관련될 수 있어 기하 정렬성이 높다. 반면 노드 분류 라벨이 그래프 거리나 계층과 무관하게 생성되었다면, 그래프가 트리형이라도 쌍곡공간의 이점이 나타나지 않을 수 있다.

\[ \boxed{ \text{HGNN 적합성} = \text{Graph geometry} + \text{Target geometry} + \text{Architecture geometry} } \]

03

Core Concepts

곡률, 좌표 모델, 다양체 연산, intrinsic architecture

3.1 음의 곡률과 지수적 공간 증가

유클리드 공간에서 반지름 \(r\)인 구의 부피는 대략 \(r^d\)에 비례한다. 쌍곡공간에서는 부피가 지수적으로 증가한다.

\[ \operatorname{Vol}_{\mathbb H^d}(r) \propto e^{(d-1)\sqrt{-K}r} \]

깊이 \(r\)에서 노드 수가 \(b^r\)로 증가하는 트리형 구조와 자연스럽게 대응하며, 낮은 차원에서도 큰 분기 구조를 비교적 작은 왜곡으로 배치할 가능성을 제공한다.

3.2 반지름과 각도의 의미

반지름 방향

계층적 깊이, 일반성–구체성, 중심성, 루트에서의 거리와 연관된다.

각도 방향

동일한 계층 안에서의 의미적 유사성과 커뮤니티 구분에 연관된다.

3.3 Poincaré ball과 Lorentz model

Poincaré Ball

\[ \mathbb{D}_{K}^{d} = \left\{ \mathbf{x}\in\mathbb{R}^{d}: \sqrt{-K}\|\mathbf{x}\|<1 \right\} \]

시각적 직관성과 gyrovector 연산이 장점이다. 경계에 접근할수록 거리와 gradient가 급격히 증가해 수치적으로 불안정해질 수 있다.

Lorentz / Hyperboloid

\[ \mathbb{H}_{K}^{d} = \left\{ \mathbf{x}\in\mathbb{R}^{d+1}: \langle\mathbf{x},\mathbf{x}\rangle_L=\frac{1}{K}, \;x_0>0 \right\} \]

수치적 안정성과 측지선 계산 측면에서 선호된다. LGIN, Brain-HGCN, HyboWaveNet, HypHGT 등 최신 모델이 이 계열을 활용한다.

개념 구분. Lorentz model은 쌍곡공간의 좌표 표현이다. 물리학의 Lorentz-equivariant GNN과는 목적과 수학적 의미가 다를 수 있다.

3.4 지수사상과 로그사상

Manifold Point\(\mathbf h_i\in\mathcal M\)

Log Map\(\log_{\mathbf o}^{K}\)

Tangent Operationlinear / aggregate

Exp Map\(\exp_{\mathbf o}^{K}\)

Updated Point\(\mathbf h_i'\in\mathcal M\)

\[ \exp_{\mathbf o}^{K}: T_{\mathbf o}\mathcal{M}\rightarrow \mathcal{M}, \qquad \log_{\mathbf o}^{K}: \mathcal{M}\rightarrow T_{\mathbf o}\mathcal{M} \]

구현은 비교적 쉽지만 층마다 접공간을 왕복하면 왜곡, 계산비용, 기하 불일치가 누적될 수 있다. 2026년 intrinsic Lorentz 연구는 이 왕복을 최소화하는 방향으로 발전한다.

3.5 Fréchet Mean

유클리드 평균은 다양체 위에서 그대로 사용할 수 없으므로 다음 최적화로 평균점을 정의한다.

\[ \boldsymbol{\mu} = \arg\min_{\mathbf z\in\mathcal M} \sum_i w_i d_{\mathcal M}^2(\mathbf z,\mathbf h_i) \]

Brain-HGCN은 graph-level readout에서 기하학적으로 타당한 Fréchet mean을 활용한다.

3.6 곡률

\(K\rightarrow0\): 유클리드 공간에 가까워짐
\(K\ll0\): 더 강한 계층 구조와 빠른 공간 확장
층별 곡률: 서로 다른 계층 해상도를 표현
노드별·관계별 곡률: 이질적인 부분구조를 개별적으로 표현

3.7 Hybrid와 Fully Intrinsic HGNN

Hybrid / Tangent-space HGNN

일부 연산을 쌍곡공간에서, 나머지를 접공간에서 수행한다. 구현과 GPU 재사용은 쉽지만 기하학적 일관성이 약하다.

Fully Intrinsic HGNN

중간 표현과 연산을 가능한 한 다양체 내부에 유지한다. ILNN은 point-to-hyperplane 계층, Lorentz 정규화, gyro-additive bias를 제안한다.

04

Introduction

2025년 이후 HGNN 연구 패러다임의 변화

4.1 가능성 주장보다 적용 조건 규명

TMLR 2025의 비판적 연구는 잘 조정된 유클리드 모델이 기존 HGNN과 같거나 더 좋은 경우가 많으며, 일부 연구에서 불충분한 기준선, 부정확한 모델링 가정, 부적절한 hyperbolicity 지표가 사용되었다고 지적한다.

4.2 GCN에서 Transformer로

Hgformer: 국소 hyperbolic GCN과 전역 hyperbolic cross-attention 결합
HypHGT: heterogeneous relation별 hyperbolic attention
선형 attention: 대규모 그래프에서 계산복잡도를 줄이는 핵심 수단

4.3 성능뿐 아니라 표현력 검증

LGIN은 기존 쌍곡 집계가 비단사적이어서 서로 다른 그래프 구조를 구분하지 못할 수 있다고 지적한다. 이는 HGNN도 Weisfeiler–Lehman 계열의 구조 식별 능력을 이론적으로 분석해야 한다는 의미다.

4.4 복잡한 기하 연산의 단순화

sHGCN은 복잡한 쌍곡 연산을 단순화해 계산속도와 예측성능을 함께 개선하려 한다. 이 연구는 “수학적으로 더 복잡한 HGNN이 항상 더 좋은가?”라는 근본적 질문을 제시한다.

4.5 범용 벤치마크에서 도메인 특화 모델로

2025년 이후 다음 도메인 특성을 직접 반영하는 HGNN이 증가한다.

양·음의 연결을 갖는 뇌 기능 네트워크
단백질 상호작용의 멀티 스케일 구조
이질 관계와 관계별 attention
인터넷 라우팅의 시간 변화와 heavy-tailed latency
추천 시스템의 long-tail 사용자·아이템 구조

05

Motivation and Background

쌍곡기하가 필요한 구조적 이유와 주의점

5.1 Euclidean GNN의 표현 왜곡

서로 멀어야 할 노드가 가까워짐
계층 간 거리가 압축됨
왜곡을 줄이려면 높은 차원이 필요함
중심 노드 주변에 표현이 밀집함

쌍곡공간은 반지름에 따라 이용 가능한 공간이 지수적으로 증가하므로 이러한 구조를 자연스럽게 수용할 가능성이 있다. 최근 GPU-compatible tree embedding 연구는 낮은 왜곡뿐 아니라 실제 GPU 실행 가능성까지 함께 다룬다.

5.2 Scale-free와 Long-tail 구조

\[ P(k)\propto k^{-\gamma} \]

추천 시스템, 인터넷, 인용망, 생물학적 네트워크는 소수의 허브와 다수의 저차수 노드를 포함한다. 쌍곡공간은 중심에 허브를, 경계에 많은 저차수 노드를 배치하는 표현과 잘 맞는다.

5.3 Over-squashing 완화 가능성

쌍곡공간의 확장성은 더 많은 계층 정보를 표현할 가능성을 제공하지만, graph bottleneck이나 좁은 cut 자체를 제거하지는 못한다. 토폴로지, message-passing depth, decoder 구조를 함께 고려해야 한다.

5.4 의미적 계층과 구조적 계층의 차이

구조적 계층

그래프 거리, 분기 구조, 중심성과 같은 관찰 가능한 연결 패턴

의미적 계층

라벨, 개념, 기능, 생물학적 역할, 과제 목표에 의해 정의되는 계층

두 계층이 불일치하면 그래프가 쌍곡적이어도 downstream task에서 이점이 나타나지 않을 수 있다. Geometry–task alignment는 이 불일치를 HGNN 성능의 핵심 변수로 본다.

06

Challenges

2025년 이후 연구가 집중하는 핵심 난제

6.1 언제 HGNN이 실제로 필요한가

Gromov \(\delta\)-hyperbolicity가 작거나 그래프가 트리와 유사하다는 사실만으로 충분하지 않다. 데이터 기하, 특성 분포, 라벨 생성과정, 평가 과제의 거리 구조를 함께 고려해야 한다.

6.2 공정한 Euclidean Baseline

동일 파라미터 수
동일 학습 예산
동일 decoder
동일 seed 범위
동일 preprocessing
동일 hyperparameter tuning budget

6.3 표현력과 Injective Aggregation

\[ \mathcal{N}_1\neq\mathcal{N}_2 \quad\text{이지만}\quad \operatorname{Agg}_{\mathcal M}(\mathcal N_1) = \operatorname{Agg}_{\mathcal M}(\mathcal N_2) \]

서로 다른 이웃 multiset이 동일한 집계 결과로 변환되면 비동형 구조를 구분하지 못한다. HGNN의 표현력은 곡률뿐 아니라 집계함수의 단사성, relation encoding, readout에 의해 결정된다.

6.4 수치적 안정성

exp/log map 반복에 따른 오차
float16·bfloat16에서의 overflow
acosh, sinh, cosh 계산 불안정성
다양체 제약 위반에 대한 재투영 비용
곡률이 0에 가까워질 때의 조건수 문제

6.5 GPU 가속과 대규모 그래프

일반 CUDA sparse kernel과 다양체 연산의 분리
불규칙한 이웃 접근과 projection의 동기화
neighbor sampling과 manifold constraint의 결합
attention의 \(O(N^2)\) 비용
mixed precision 적용의 어려움

6.6 전역 단일 곡률의 한계

하나의 그래프에는 트리형 커뮤니티, 격자형 국소 구조, 순환, clique, 이분 구조가 공존할 수 있다. 따라서 단일 곡률 \(K\)를 전체 그래프에 적용하는 가정은 지나치게 단순하다.

6.7 이질 그래프와 방향성

\[ u\xrightarrow{r_1}v \quad\text{와}\quad u\xrightarrow{r_2}v \]

관계형 그래프에서 두 간선은 서로 다른 의미를 갖는다. 단순 거리만으로는 방향성과 관계유형을 충분히 표현하기 어렵다.

6.8 동적 그래프의 시간 일관성

시간 간 gauge alignment
곡률 변화 모델링
새 노드의 inductive placement
temporal geodesic regularization
catastrophic geometry drift 방지

6.9 해석가능성과 인과성

중요한 구분. 노드가 쌍곡공간의 중심에 있다는 사실이 생물학적 중요성이나 인과적 상위성을 의미하지는 않는다. 반지름은 degree, sampling frequency, 데이터 편향을 반영할 수 있다.

07

Research Questions

새로운 연구를 설계할 수 있는 핵심 질문

RQ1. Geometry–task alignment를 학습 전에 예측할 수 있는가?

\[ A(G,T)=\operatorname{Align}(d_G,d_Y) \]

학습 전 진단기로 HGNN 적용 여부를 결정하고, 정렬성이 낮을 때 Euclidean 또는 mixed-curvature 모델로 전환할 수 있는가?

RQ2. 그래프의 어느 부분이 쌍곡공간을 필요로 하는가?

\[ K_i=f_\psi(\mathcal N(i),X_i) \]

노드별, relation별, subgraph별 곡률을 학습하고 Euclidean·spherical·hyperbolic expert를 선택할 수 있는가?

RQ3. WL 수준의 표현력을 완전히 intrinsic하게 달성할 수 있는가?

Permutation invariance, injective multiset aggregation, Lorentz constraint, 선형 복잡도, 수치 안정성을 동시에 만족하는 구조가 가능한가?

RQ4. Hyperbolic Transformer는 실제 계층을 학습하는가?

Attention이 진정한 ancestor–descendant 관계를 포착하는지, degree와 popularity를 재현하는지 분리해 검증해야 한다.

RQ5. 동적 그래프에서 곡률 자체가 시간에 따라 변하는가?

\[ K(t)=f_\psi(G_t) \]

학습된 곡률 변화가 실제 구조 변화인지 최적화 잡음인지 구분할 수 있는가?

RQ6. 쌍곡공간이 불확실성까지 표현할 수 있는가?

\[ q_i(\mathbf z)=\mathcal{WN}_{\mathcal M}(\boldsymbol\mu_i,\Sigma_i) \]

반지름은 계층 깊이, 분산은 인식 불확실성을 나타내도록 분리할 수 있는가?

RQ7. Directed graph의 비대칭성은 어떻게 표현할 것인가?

\[ d_{\mathcal M}(u,v)=d_{\mathcal M}(v,u) \]

대칭 거리의 한계를 source/target dual embedding, hyperbolic cone, Finsler geometry, relation-dependent transformation으로 극복할 수 있는가?

RQ8. Neuro-Symbolic reasoning과 결합할 수 있는가?

\[ A\Rightarrow B,\quad B\Rightarrow C \Longrightarrow A\Rightarrow C \]

연속적 쌍곡 임베딩과 논리 규칙의 정확한 만족을 동시에 달성할 수 있는가?

RQ9. 성능 향상의 원인은 기하인가, 최적화인가?

\[ \text{Euclidean} \leftrightarrow \text{Hyperbolic} \leftrightarrow \text{Mixed curvature} \]

파라미터 수, FLOPs, optimizer, decoder, sampling, training budget을 통제한 인과적 ablation이 필요하다.

08

Approaches and Methods

2025–2026 연구 방법의 분류와 기술적 특징

연구 방향	대표 연구	핵심 아이디어	장점	남은 한계
비판적 벤치마킹	Shedding Light, 2025	강한 Euclidean baseline과 synthetic benchmark	HGNN 적용 조건 재검토	범용 진단 기준 미완성
Geometry–task alignment	HGNNs Under the Microscope, 2026	입력 기하와 목표 과제의 거리 정렬 분석	HGNN이 필요한 과제 설명	대규모 heterogeneous graph 확장 필요
표현력 강화	LGIN, 2025	Lorentzian GIN과 구조 식별 집계	WL 계열 표현력 문제 제기	동적·비정규 그래프 이론 부족
연산 단순화	sHGCN, 2025	복잡한 쌍곡 연산 축소	속도와 구현성 개선	완전한 기하 보존 여부
국소 convolution	HKConv, 2025	쌍곡 kernel point와 국소 패턴 상관	Permutation equivariance와 국소 특징	대규모 sparse graph 비용
Hyperbolic Transformer	Hgformer, 2025	LHGCN + 전역 cross-attention	Local/global 및 long-tail 처리	추천 이외 일반화 검증
Heterogeneous Transformer	HypHGT, 2026	Relation-specific hyperbolic attention	이질 관계와 장거리 의존성	Directed relation composition
Intrinsic layer	Fast Lorentz, ILNN, 2026	Distance-to-hyperplane와 intrinsic normalization	기하 일관성과 안정성	GNN용 sparse intrinsic kernel 부족
Euclidean–hyperbolic 협력	H-EDML, 2025	Topology/decision mutual learning	평탄·계층 구조 동시 처리	두 branch의 계산비용
응용 특화 signed HGNN	Brain-HGCN, 2025/2026	양·음 연결 분리와 Fréchet readout	뇌 연결의 signed hierarchy	임상 외부검증 필요
멀티스케일 HGNN	HyboWaveNet, 2025	Lorentz GNN + graph wavelet	PPI local/global scale	인과성 주장의 추가 검증
동적 hybrid HGNN	HERMIT, 2026	Temporal HGNN + Random Forest	Topology와 RTT 통계 결합	End-to-end 통합 부족
도구·foundation model	HyperCore, 2025	GNN·Transformer·GraphRAG 공통 모듈	구현 재사용성	표준화와 독립 재현성

8.1 Hyperbolic–Euclidean Hybrid

Hyperbolic branch가 전역 계층 구조를 학습
Euclidean branch가 국소 평탄 구조를 학습
Topology mutual learning으로 구조정보 교환
Decision mutual learning으로 soft prediction 교환
Attention 기반 확률 통합으로 최종 예측

8.2 Hyperbolic Kernel Convolution

\[ m_{ijq} = \kappa \left( d_{\mathcal M} (\mathbf h_j,\mathbf k_q) \right) W_q\mathbf h_j \]

HKConv는 쌍곡공간에 배치한 kernel point와 이웃 특징 사이의 거리를 이용해 국소 패턴을 추출한다.

8.3 Hyperbolic Transformer

\[ H_{\text{local}} = \operatorname{LHGCN}(G,X), \qquad H_{\text{global}} = \operatorname{HypCrossAttention}(H_{\text{local}}) \]

국소 convolution은 가까운 상호작용을, 전역 attention은 장거리 관계와 long-tail 신호를 담당한다.

8.4 Intrinsic Lorentz Architecture

\[ s_k(\mathbf h) = -d_{\mathcal M} (\mathbf h,\mathcal P_k) \]

결정경계 자체를 Lorentz hyperplane으로 정의하면 classifier도 쌍곡공간의 거리 구조를 존중한다.

09

Key Applications

실제 문제의 구조적 특성과 HGNN의 대응

이질 그래프와 지식 그래프

Relation-specific attention을 통해 노드·관계 유형과 장거리 의존성을 표현한다.

뇌 네트워크 분석

양·음 기능 연결, Lorentz graph attention, Fréchet readout으로 정신질환 분류 및 신경인지 분석을 수행한다.

PPI와 신약개발

단백질 복합체, pathway, 기능 모듈의 멀티 스케일 계층과 graph wavelet을 결합한다.

인터넷 라우팅

Scale-free topology와 시간적 변화를 학습하고 historical RTT 통계와 결합해 지연을 예측한다.

GraphRAG와 Foundation Model

문서–섹션–문단–주장과 같은 증거 계층, 추상화 수준, 검색 경로를 쌍곡공간에 배치한다.

GraphRAG 관점의 계층 표현 예

문서 → 섹션 → 문단 → 주장
질병 → pathway → protein → mutation
법률 → 조항 → 판례 → 사실
연구분야 → 주제 → 논문 → 실험결과

이 구조는 의미적 유사성뿐 아니라 질문에 적합한 추상화 수준, 근거 깊이, 상위·하위 개념 관계까지 검색에 반영할 수 있게 한다.

10

Open Problems

아직 해결되지 않은 이론·시스템·평가 문제

10.1 표준 HGNN 적합성 지표의 부재

\[ S_{\text{HGNN}} = f( \text{graph geometry}, \text{feature geometry}, \text{label geometry}, \text{task metric} ) \]

10.2 곡률의 식별가능성

서로 다른 곡률과 임베딩 스케일이 유사한 거리를 만들 수 있어, 학습된 곡률이 실제 구조를 의미하는지 단순한 scale parameter인지 불명확하다.

10.3 Fully Intrinsic Sparse Message Passing

\[ \text{sparse aggregation} + \text{parallel transport} + \text{manifold normalization} + \text{mixed precision} \]

10.4 Directed·Temporal·Signed Graph의 통합

\[ G=(V,E,R,T,S) \]

관계유형 \(R\), 시간 \(T\), 부호 \(S\)를 동시에 다루는 HGNN은 아직 드물다.

10.5 불확실성 및 Calibration

Expected Calibration Error
Out-of-distribution detection
Confidence–radius disentanglement
Uncertainty propagation
Conformal prediction on manifolds

10.6 인과적 해석

\[ \text{geometric proximity} \neq \text{causal influence} \]

10.7 현실적인 대규모 Benchmark

billion-scale graph
temporal update
heterogeneous relation
distributed training
GPU memory와 tail latency
에너지 소비
online inference

10.8 결과 재현성

코드 수정, 데이터 분할, baseline tuning, hyperbolicity 측정 방식에 따라 결론이 바뀔 수 있다. 동일 조건의 Euclidean counterpart를 자동 생성하는 benchmark suite가 필요하다.

11

Future Directions

창의적 연구를 위한 차세대 설계 방향

11.1 Geometry Router

\[ \pi_i = \operatorname{softmax} \left( g_\psi(\mathcal N(i),X_i) \right) \] \[ \mathbf h_i = \pi_i^E\mathbf h_i^E + \pi_i^H\mathbf h_i^H + \pi_i^S\mathbf h_i^S \]

노드 또는 subgraph별로 Euclidean, hyperbolic, spherical expert를 선택하는 구조다.

11.2 Task-conditioned Curvature

\[ K_i^{(t)} = f_\psi \left( \mathcal N(i),X_i,\mathbf e_{\text{task}} \right) \]

동일한 그래프라도 링크 예측, 분류, evidence retrieval에 서로 다른 곡률을 사용할 수 있다.

11.3 Hyperbolic Graph Foundation Model

\[ \mathcal L = \mathcal L_{\text{masked node}} + \mathcal L_{\text{link}} + \mathcal L_{\text{hierarchy}} + \mathcal L_{\text{geodesic}} + \mathcal L_{\text{temporal}} \]

11.4 Neuro-Symbolic HGNN

\[ \operatorname{Cone}(A) \supseteq \operatorname{Cone}(B) \supseteq \operatorname{Cone}(C) \] \[ \mathcal L_{\text{rule}} = \sum_{(A\Rightarrow B)} \max \left( 0, d_{\text{cone}}(B,A)-m \right) \]

연속 임베딩과 논리 규칙을 동시에 만족시키는 방식으로 지식 그래프, 과학 ontology, 신약개발 evidence reasoning에 적용할 수 있다.

11.5 Causal Hyperbolic GNN

\[ \mathbf h_i = f_i \left( \mathbf h_{\operatorname{Pa}(i)}, \mathbf u_i \right), \qquad \mathbf h_i\in\mathcal M_K \]

쌍곡공간은 인과 DAG의 계층적 압축을, SCM은 방향성과 개입의 의미를 제공한다.

11.6 Hyperbolic GraphRAG

\[ S(q,v) = \alpha\,\operatorname{Sim}_{\text{semantic}}(q,v) -\beta\,d_{\mathcal M}(q,v) +\gamma\,\operatorname{EvidenceQuality}(v) -\eta\,\operatorname{Uncertainty}(v) \]

유사 문서뿐 아니라 적절한 추상화 수준, 증거 계층, 반대증거 경로까지 검색할 수 있다.

11.7 Hyperbolic Temporal Knowledge Graph

\[ \frac{d\mathbf h_i(t)}{dt} = F_\theta \left( \mathbf h_i(t), \{\mathbf h_j(t)\}_{j\in\mathcal N_t(i)} \right) \]

노드 표현을 다양체 위의 연속 궤적으로 모델링하면 snapshot 간 좌표 정렬과 시간적 일관성을 자연스럽게 보존할 수 있다.

11.8 GPU-native Manifold Graph Engine

Sparse Lorentz aggregation
Fused exp/log map
Stable acosh approximation
Curvature-aware mixed precision
Manifold-aware FlashAttention
Distributed Fréchet reduction

12

Conclusion

2025년 이후 HGNN 연구가 도달한 핵심 결론

\[ \boxed{ \text{계층적 그래프} \;\not\Rightarrow\; \text{HGNN의 자동적 우수성} } \]

\[ \boxed{ \text{HGNN의 유효성} = \text{기하–과제 정렬} \times \text{표현력} \times \text{수치 안정성} \times \text{확장성} \times \text{공정한 평가} } \]

HGNN의 미래는 모든 그래프를 쌍곡공간에 넣는 데 있지 않다. 그래프의 각 영역, 관계, 시간, 과제에 따라 필요한 기하를 진단하고, Euclidean·hyperbolic·spherical space를 선택적으로 사용하며, 논리·인과·불확실성과 결합하는 적응형 geometric graph intelligence에 있다.

가장 유망한 연구 주제. Geometry–task alignment를 학습하는 curvature router, directed temporal neuro-symbolic HGNN, uncertainty-aware hyperbolic GraphRAG, GPU-native intrinsic HGNN.

13