AI › 인공지능 개요 › 딥러닝 › 모델 구조

그래프 신경망(GNN)Graph Neural Network

노드마다 이웃 노드의 특징을 모아 자기 특징과 합쳐 새 특징을 만드는 메시지 전달 계층을 쌓아, 연결 구조가 있는 데이터에서 노드 · 엣지 · 그래프 전체의 표현을 학습하는 신경망이다.

1요약

  1. 그래프 신경망은 딥러닝 모델 구조 가운데 노드가 이웃의 특징을 모아 자기 특징을 고치는 메시지 전달 계층을 쌓는 구조로, Scarselli 외(2009)가 틀을 내고 Kipf · Welling 의 GCN(2016)이 널리 퍼뜨렸으며, 그 위에서 노드 분류 · 링크 예측 · 분자 성질 예측이 돈다.
  2. 이웃 수가 노드마다 다르고 순서가 없는 데이터는 격자용 합성곱이나 순서용 순환 계층에 그대로 넣을 수 없는데, 레이블이 노드의 5.2% 뿐인 인용망 Cora 에서 GCN 은 정확도 81.5% 로 레이블 전파(68.0%)를 앞섰다(Kipf 2016 표 1 · 표 2).
  3. 「계층을 늘렸더니 나빠졌다」는 노드 표현 사이 유사도로 가른다 — 서로 다른 무리 노드끼리의 유사도가 1 에 붙으면 과평활, 유사도는 갈려 있는데 먼 노드 정보가 필요한 과제에서만 떨어지면 과압축, 학습 정확도만 높으면 과적합이다.

2등장 배경

분자(원자 = 노드 · 결합 = 엣지), 논문 인용망, 친구 관계망은 노드마다 이웃 수가 다르고 노드에 정해진 순서가 없다. 이런 데이터를 고정 길이 벡터로 펴려면 사람이 분자 지문 · 연결 지표를 골라야 했고, 노드 번호를 바꿔 매기면 같은 그래프가 다른 입력이 되었다.

Gori · Monfardini · Scarselli(2005)와 Scarselli 외(2009)는 노드 상태를 이웃 상태로 고정점에 이를 때까지 되풀이 갱신하는 첫 GNN 모델을 냈다. 2013년 Bruna 외는 그래프 라플라시안의 고유벡터로 합성곱을 정의했고(Bruna 2013), 2016년 Kipf · Welling 은 이를 1차 근사하고 자기 고리를 더한 Ã = A + I 정규화로 계층 하나를 행렬 곱 한 줄로 줄였다(Kipf 2016 식 8). 2017년 Gilmer 외는 메시지 · 갱신 · 읽기 세 함수로 여러 모델을 한 틀(MPNN)로 묶어 분자 자료 QM9 의 13 개 성질 가운데 11 개에서 화학적 정확도에 들었다(Gilmer 2017 1절).

같은 해 GraphSAGE(이웃 표본 추출 · 새 노드 추론)와 GAT(이웃별 어텐션 가중치)가 나왔고, 2018년 Xu 외는 메시지 전달 GNN 의 구분력이 WL 그래프 동형 검정을 넘지 못함을 보였다(Xu 2018). 지금은 메시지 전달이 표준 틀이고, 깊이 쌓을 때의 과평활(Li 2018)과 먼 노드 정보가 눌리는 과압축(Alon 2020)이 남은 한계다.

3쉽게 이해하기 — 섬마을 저녁 쪽지

섬마을 집들은 길로 이어진 이웃끼리만 저녁마다 쪽지를 주고받는다. 각 집은 받은 쪽지를 자기 메모와 섞어 새 메모를 쓰는데, 이웃이 많은 집이 보낸 쪽지는 옅게 섞는다. 이틀 밤이 지나면 이웃의 이웃 소식까지 메모에 담기고, 이장은 어느 편인지 알려진 두 집만 보고 나머지 집의 편을 메모로 맞힌다. 그런데 서른 밤 넘게 돌리면 모든 집 메모가 똑같아져 편을 가를 수 없다.

섬마을 저녁 쪽지 — 길로 이어진 이웃끼리만 둘째 밤에야 오는 소식 D A B C E 쪽지 = 메시지 1 길 = 엣지 편 알림 = 레이블 3 노드 v · 메모 h 2 옅게 섞어 메모 고침 = 집계 · 갱신 4 이장 — 메모로 편 맞히기 출력 헤드 · 분류 하룻밤 = 계층 하나 · 둘째 밤 = 2계층(이웃의 이웃 = 2홉)

그림 1 · 집은 길로 이어진 이웃에게서만 쪽지를 받아 메모를 고치고, 둘째 밤에는 이웃의 이웃 소식까지 받아 이장이 편을 맞힌다.

쪽지 보내기길로 이어진 이웃에게만
옅게 섞기이웃 많은 집 쪽지는 옅게
메모 고치기내 메모 + 받은 쪽지
다음 밤이웃의 이웃 소식까지
편 맞히기알려진 집은 둘뿐
너무 많은 밤메모가 모두 같아짐
첫 밤 전 — 다 다름 둘째 밤 뒤 — 편끼리 닮음 서른두 밤 뒤 — 다 같음 메모에 내 소식만 있음 점선 왼쪽 · 오른쪽 = 두 편 모든 소식이 섞여 같아짐 전파 0번 · 편 차이 0.00 전파 2번 · 편 차이 0.33 전파 32번 · 편 차이 0.00 다른 편끼리 유사도 0.00 다른 편끼리 유사도 0.18 다른 편끼리 유사도 1.00 집 색 = 메모 내용 · 편 차이 = 같은 편 쌍 평균 유사도 − 다른 편 쌍 평균 유사도 실제 값 = 가라테 클럽 34명 그래프에서 학습 없이 Â^k X 만 전파한 코사인 유사도(동작 절 사례)

그림 2 · 쪽지를 두세 밤 돌리면 같은 편 메모끼리 닮아 편이 갈리지만, 서른 밤을 넘기면 모든 메모가 같아져 다시 가를 수 없다.

비유 속 역할GNN 요소실제로 하는 일
집노드 v특징 벡터 h_v 를 가진 데이터 단위(사람 · 원자 · 논문)
길엣지 · 인접 행렬 A누가 누구와 이어졌는지 · 이어진 노드끼리만 계산
쪽지메시지 M이웃 u 의 특징 h_u 를 변환한 벡터
옅게 섞기정규화 집계차수로 나눈 가중 합(GCN) · 평균 · 어텐션
메모 고치기갱신 U가중치 W 곱 + 활성 함수로 새 h_v
하룻밤계층 하나계층 K 개 = K홉 안 노드만 반영
편이 알려진 집레이블 노드손실을 계산하는 노드(사례 34명 중 2명)
이장의 판단출력 헤드노드 분류 · 링크 예측 · 그래프 성질 예측

⚠ 비유가 맞지 않는 곳: 마을 사람은 쪽지 내용을 골라 읽지만, GCN 은 이웃 메시지를 차수로만 정한 고정 비율로 더한다(골라 읽기는 GAT 의 어텐션). 또 밤마다 메모 적는 법이 같아 보이지만, 실제로는 계층마다 다른 가중치 W 를 쓴다.

4구조 — 메시지 · 집계 · 갱신 · 읽기

GNN 계층 하나는 이웃에게서 메시지를 받고(M), 모으고(AGG), 자기 표현과 합쳐 고친다(U). Gilmer 외는 이를 h_v′ = U(h_v, Σ_u∈N(v) M(h_v, h_u, e_uv)) 로 묶었고(Gilmer 2017 식 1 · 2), GCN 은 이 틀을 H′ = σ(D̃^−1/2 Ã D̃^−1/2 H W) 한 줄로 쓴다(Kipf 2016 식 2). 그래프 전체를 하나의 값으로 낼 때는 계층 끝에 노드 표현을 합 · 평균으로 모으는 읽기(readout)를 붙인다.

입력 그래프 X 노드 특징 N×C A 인접 행렬 N×N (엣지 특징 e 선택) 메시지 전달 계층 × L 메시지 M 이웃 u 의 h_u · e_uv 변환 집계 AGG 합 · 평균 · 최대 · 어텐션 갱신 U 자기 h_v + 집계 · W · 활성 노드 표현 H N×F 다음 계층 입력 — L번 = L홉 노드 수준 h_v → 노드 분류 엣지 수준 h_u · h_v 내적 → 링크 그래프 수준 읽기(합 · 평균) → 성질 입력 데이터 학습하는 계층(모델) 노드 표현(임베딩) 과제별 출력 N = 노드 수 · C = 입력 특징 수 · F = 표현 차원 · 점선 = 같은 계층 구조를 L번 거침(가중치는 계층마다 다름)

그림 3 · GNN 은 입력 그래프의 노드 특징을 메시지 · 집계 · 갱신 계층에 L번 통과시켜 L홉 안 이웃이 섞인 노드 표현을 만들고, 그 표현을 노드 · 엣지 · 그래프 세 수준의 헤드가 나눠 쓴다.

요소크기(사례)역할값 · 근거
노드 특징 X34 × 34노드마다 입력 벡터특징이 없으면 단위 행렬(Kipf 2016 부록 A)
인접 행렬 A34 × 34 · 엣지 78메시지가 오가는 길Ã = A + I 로 자기 메시지 포함(Kipf 2016 식 8)
정규화 집계Â = D̃^−1/2 Ã D̃^−1/2이웃 메시지를 섞는 비율노드 i · j 가중치 1/√(d̃_i d̃_j)
갱신 W · σ34 × 16 · 16 × 2계층마다 특징 변환가중치 576개 · 모든 노드가 같은 W 공유
노드 표현 H34 × 16이웃이 섞인 특징계층 K 개 = K홉 안 노드만 반영
읽기 · 헤드노드 · 엣지 · 그래프과제별 출력합 읽기 = 구분력 최대(Xu 2018 4.2절)

🔑 계층 하나가 이웃 한 홉이다 — K 계층 GNN 의 노드 표현은 K홉 안 노드만으로 정해지고, 그 밖의 노드는 아무리 중요해도 표현에 들어오지 않는다.

5동작 — 가라테 클럽 34명의 편 맞히기

사례는 Python 3.14.0 · NumPy 2.4.3 · default_rng(0) 으로 2계층 GCN 과 Adam 을 직접 구현해, Zachary(1977)의 가라테 클럽 친분 그래프(NetworkX 소스의 행렬 · 34명 · 엣지 78)에서 돌렸다. 클럽은 사범 편 17명 · 관리자 편 17명으로 갈렸다.

  1. 입력 — 사람마다 특징이 없으므로 X = 34 × 34 단위 행렬로 두고, 편을 알려 주는 레이블은 노드 0(사범) · 노드 33(관리자) 둘뿐이다.
  2. 정규화 — Ã = A + I 의 행을 1/√(d̃_i d̃_j) 로 나눈다. 노드 8(이웃 0 · 2 · 30 · 32 · 33)의 행은 자기 0.167 · 노드 30 0.183(이웃 4명) · 노드 33 0.096(이웃 17명)으로, 이웃이 많은 노드의 메시지가 옅다.
  3. 1계층 — H1 = ReLU(Â X W0) · W0 = 34 × 16 이고, 노드 8 의 16 값은 자기와 이웃 다섯의 W0 행을 2단계 비율로 더한 것이다.
  4. 2계층 — Z = softmax(Â H1 W1) · W1 = 16 × 2 이고, 2계층을 거친 노드 8 의 출력에는 2홉 안 31명의 특징이 섞인다.
  5. 학습 — 레이블 노드 둘의 교차 엔트로피만 쓰고 Adam 학습률 0.01 · 첫 계층 L2 5 × 10^−4 로 200 에폭 돌리면 손실이 0.705 → 0.003 으로 준다.
  6. 결과 — 레이블 없는 32명 중 30명(93.8%)을 맞힌다. 틀린 둘은 노드 2(사범 0.493 · 관리자 0.507)와 노드 8(관리자 0.818)이고, 노드 8 은 이웃 다섯 중 셋이 관리자 편이다.
  7. 대조 — 같은 크기의 MLP(Â 대신 I)는 32명 중 16명만 맞힌다. 레이블 없는 노드의 입력 행은 기울기가 0 이라 한 번도 학습되지 않기 때문이다(시드 0 ~ 9 범위 GCN 30 ~ 31명 · MLP 10 ~ 20명).
노드 8 한 명의 2계층 계산 2계층 출력 Z — 노드 8 사범 0.182 · 관리자 0.818 → 틀림 6 4 2계층 출력 1계층 H1 입력 X (2홉) 0.167 0.099 0.123 0.183 0.113 0.096 2 8 0 2 30 32 33 자기 고리 이웃 5 이웃 16 이웃 10 이웃 4 이웃 12 이웃 17 3 아래 줄 이웃을 모두 합치면 노드 8 에 들어오는 사람은 2홉 안 31명 사범 편(실제) 관리자 편(실제) 굵은 테두리 = 레이블을 준 노드 선 위 수 = Â 가중치

그림 4 · 노드 8 의 출력은 2계층을 거치며 이웃 다섯과 그 이웃(2홉 31명)의 정보를 차수로 정한 비율로 받고, 이웃 다수가 관리자 편이라 관리자 편으로 잘못 기운다.

전파 횟수에 따른 노드 표현 유사도(가라테 클럽 34명) 0 0.5 1 k = 3 간격 0.39 — 가장 잘 갈림 k = 16 간격 0.05 과평활 0 1 2 3 4 6 8 16 32 64 전파 횟수 k(Â^k X · 학습 없이 · 눈금 간격은 고르지 않음) 같은 편 쌍 평균 유사도 다른 편 쌍 평균 유사도 간격 = 편을 가르는 여유

그림 5 · 전파를 2 ~ 4번 하면 같은 편끼리만 닮아 두 편의 간격이 가장 넓고, 16번을 넘기면 다른 편끼리도 유사도가 1 에 붙어 간격이 사라진다 — 이것이 과평활이다.

🔑 메시지 전달은 이웃끼리 표현을 닮게 만드는 평활이다 — 두세 번은 같은 편을 모으지만 수십 번이면 다른 편까지 한 값으로 섞으므로, 깊이가 힘이 되는 합성곱 신경망과 달리 GNN 은 2 ~ 3계층으로 얕게 쌓는다(Kipf 2016 부록 B · Li 2018).

6비교 — 이웃을 모으는 방식에 따른 변종

방식이웃 집계이웃 가중치새 노드 추론성질 · 근거
GCN정규화 합차수로 고정 1/√(d̃_i d̃_j)전체 그래프 행렬 필요Cora 81.5%(Kipf 2016 표 2)
GraphSAGE표본 이웃의 평균 · 풀링 · LSTM고정됨(귀납)표본 S1 = 25 · S2 = 10(Hamilton 2017 4절)
GAT어텐션 가중 합학습 · 헤드 8됨Cora 83.0%(Veličković 2017 표 2)
GIN합 + MLP고정 · 자기 1 + ε됨구분력 = WL 검정(Xu 2018 정리 3)
MPNN메시지 함수 일반형엣지 특징 e_uv 반영됨QM9 13 중 11 화학적 정확도(Gilmer 2017)
합성곱 · 트랜스포머격자 이웃 칸 9개 · 모든 토큰 쌍위치별 가중치 · 어텐션—그래프가 격자 · 완전 그래프인 특수한 경우

분석노드 특징과 연결이 고정된 그래프면 GCN 으로 기준선을 재고, 새 노드가 계속 들어오면 GraphSAGE, 이웃마다 중요도가 다르면 GAT, 분자처럼 그래프 전체 구조를 구분해야 하면 합 집계 GIN · 엣지 특징이 있으면 MPNN 을 고른다. 근거는 표의 집계 · 추론 열 — 평균 · 최대 집계는 이웃 구성이 다른 그래프를 같은 값으로 보낼 수 있다(Xu 2018 5.2절).

7실무 진단 — 성능 저하를 데이터 · 깊이 · 집계로 가르기

분석엣지 동질 비율 → 계층별 표현 유사도 → 집계 함수 → 학습 곡선 순으로 본다. GNN 은 이웃이 같은 무리라는 가정 위에서 동작하므로(Zhu 2020 1절), 이 가정이 깨진 데이터에서 계층 · 집계를 바꾸면 원인을 놓친다.

#증상의심 원인단계확인 자료판정 기준(근거)
1그래프를 안 쓴 MLP 보다 낮음이질성(이웃이 다른 무리)데이터엣지 동질 비율사례 0.86 · 노드 8 처럼 이웃 다수가 다른 편이면 틀림(Zhu 2020)
2계층을 늘리자 정확도 하락과평활깊이같은 · 다른 무리 쌍의 표현 유사도간격이 0 에 가까우면 과평활(사례 k = 16 · 0.05 · Li 2018)
3먼 노드 정보가 필요한 과제만 낮음과압축수용 범위정답에 필요한 홉 수 ↔ 계층 수계층을 늘려도 학습 정확도가 안 오름(Alon 2020)
4구조가 다른 그래프를 같은 값으로 출력평균 · 최대 집계의 구분력집계합 집계로 바꾼 결과합으로 갈리면 집계가 원인(Xu 2018 5.2절)
5학습 정확도만 높음과적합 · 레이블 부족학습학습 · 검증 곡선7계층을 넘으면 잔차 연결 없이 학습이 어려움(Kipf 2016 부록 B)
6허브 노드에서 메모리 초과이웃 폭발미니배치계층별 이웃 수표본 S1 · S2 ≤ 500 으로 제한(Hamilton 2017 3.1절)

깊이를 바꿀 때는 시드 여러 개로 잰다. 사례에서 레이블 없는 32명 중 맞힌 수의 시드 0 ~ 9 평균은 1계층 30.4 · 2계층 30.9 · 8계층 29.6 · 16계층 26.8(최소 16)으로, 깊어질수록 평균보다 최솟값이 먼저 무너졌다.

8시험 대비

출제 정보 정보관리(139회, 137회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 구성 요소와 동작 원리를 묻는 정의 · 특징형, 그리고 합성곱 신경망 · 트랜스포머 또는 GCN · GAT · GraphSAGE 와의 차이를 묻는 비교형이 나올 수 있다. 「그래프를 다루는 신경망」 한 줄에서 그치지 않고 «메시지 · 집계 · 갱신을 몇 홉까지 반복하는가»를 축으로 쓰면 한계(과평활)까지 한 답안이 된다.

답안 목차
  1. 개요 — 정의 · 입력 데이터(노드 · 엣지 · 인접 행렬) · 격자 · 순서 데이터와의 차이
  2. 구조 — 그림 3 메시지 M · 집계 AGG · 갱신 U · 읽기 · 세 수준 헤드 · GCN 식 Â H W
  3. 동작 — 그림 4 노드 8 의 2계층 계산(정규화 가중치 0.167 · 0.096 · 2홉 31명) · 사례 32명 중 30명
  4. 핵심 원리 — 그림 5 과평활 곡선(간격 k = 3 0.39 → k = 16 0.05) · K 계층 = K홉
  5. 변종 비교 — GCN · GraphSAGE · GAT · GIN · MPNN 표(집계 · 가중치 · 귀납)
  6. 한계와 동향 — 과평활 · 과압축 · 이질성 · WL 검정 상한 · 분자 · 추천 · 교통망 활용

꼭 쓸 키워드
메시지 전달이웃 집계인접 행렬정규화GCNGATGraphSAGEGIN과평활수용 범위

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 «같은 편 ↔ 다른 편 유사도» 두 곡선을 나란히 보이는 것이다 — 간격이 커졌다가 사라지는 그래프가 「GNN 은 왜 얕게 쌓는가」를 숫자로 보인다.

9오해와 사실

  • 오해GNN 도 계층을 깊게 쌓을수록 성능이 오른다.
    사실Kipf · Welling 의 깊이 실험에서는 2 ~ 3계층이 가장 좋았고 7계층을 넘으면 잔차 연결 없이 학습이 어려웠다(Kipf 2016 부록 B).
  • 오해그래프만 있으면 GNN 이 그래프를 안 쓰는 모델보다 낫다.
    사실이웃이 다른 무리인 이질성 그래프에서는 MLP 가 더 나은 경우가 보고되었고(Zhu 2020), 사례의 노드 8 도 이웃 다수의 편으로 끌려 틀렸다.
  • 오해GNN 은 어떤 두 그래프든 구별할 수 있다.
    사실메시지 전달 GNN 의 구분력은 1차 WL 검정을 넘지 못하며, 합 집계일 때 그 상한에 이른다(Xu 2018 보조정리 2 · 정리 3).

10핵심 정리

구분맡는 일식 · 장치사례 값근거
그래프 입력노드 특징 · 연결X · A · Ã = A + I34명 · 엣지 78Zachary 1977
정규화 집계이웃 메시지 섞기1/√(d̃_i d̃_j)노드 8 자기 0.167 · 노드 33 0.096Kipf 2016 식 8
갱신계층별 특징 변환σ(Â H W)가중치 576개Kipf 2016 식 2
노드 표현K홉 정보 요약계층 K = K홉2계층 = 31명Gilmer 2017
출력 헤드노드 · 엣지 · 그래프 과제softmax · 내적 · 읽기32명 중 30명 · MLP 16명Kipf 2016
과평활깊이의 한계Â^k X → 한 방향간격 k = 3 0.39 → k = 16 0.05Li 2018
과압축먼 정보의 손실고정 크기 벡터 병목이 사례 미측정Alon 2020
구분력다른 그래프 가르기합 집계 ≤ WL 검정이 사례 미측정Xu 2018

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Semi-Supervised Classification with Graph Convolutional Networks (Kipf · Welling) — GCN 계층 식(식 2 · 8)과 재정규화 · Cora 결과(표 2) · 깊이 실험(부록 B)을 볼 때
    arXiv · ICLR 2017 · 2016-09 · arxiv.org/abs/1609.02907 · 확인 2026-11-12
  3. ★ Neural Message Passing for Quantum Chemistry (Gilmer et al.) — 메시지 · 갱신 · 읽기 세 함수로 여러 GNN 을 한 틀로 묶는 식을 볼 때
    arXiv · ICML 2017 · 2017-04 · arxiv.org/abs/1704.01212 · 확인 2026-11-12
  4. ★ How Powerful are Graph Neural Networks? (Xu et al.) — 합 · 평균 · 최대 집계의 구분력과 WL 검정 상한을 볼 때
    arXiv · ICLR 2019 · 2018-10 · arxiv.org/abs/1810.00826 · 확인 2026-11-12
  5. ★ Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning (Li · Han · Wu) — GCN 이 라플라시안 평활이고 깊이 쌓으면 과평활이 되는 이유를 볼 때
    arXiv · AAAI 2018 · 2018-01 · arxiv.org/abs/1801.07606 · 확인 2026-11-12
  6. 본문 근거
  7. The Graph Neural Network Model (IEEE Transactions on Neural Networks 20(1) 61-80) — IEEE · 2009-01 · doi.org/10.1109/TNN.2008.2005605 · 확인 2026-11-12
  8. A new model for learning in graph domains (IJCNN 2005 vol. 2 729-734) — IEEE · 2005-07 · doi.org/10.1109/IJCNN.2005.1555942 · 확인 2026-11-12
  9. Spectral Networks and Locally Connected Networks on Graphs (Bruna et al.) — arXiv · ICLR 2014 · 2013-12 · arxiv.org/abs/1312.6203 · 확인 2026-11-12
  10. Inductive Representation Learning on Large Graphs (Hamilton · Ying · Leskovec) — arXiv · NIPS 2017 · 2017-06 · arxiv.org/abs/1706.02216 · 확인 2026-11-12
  11. Graph Attention Networks (Veličković et al.) — arXiv · ICLR 2018 · 2017-10 · arxiv.org/abs/1710.10903 · 확인 2026-11-12
  12. On the Bottleneck of Graph Neural Networks and its Practical Implications (Alon · Yahav) — arXiv · ICLR 2021 · 2020-06 · arxiv.org/abs/2006.05205 · 확인 2026-11-12
  13. Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs (Zhu et al.) — arXiv · NeurIPS 2020 · 2020-06 · arxiv.org/abs/2006.11468 · 확인 2026-11-12
  14. An Information Flow Model for Conflict and Fission in Small Groups (Journal of Anthropological Research 33(4) 452-473) — University of Chicago Press · 1977-12 · doi.org/10.1086/jar.33.4.3629752 · 확인 2026-11-12
  15. NetworkX source - networkx/generators/social.py (karate_club_graph) — NetworkX Developers · 2026-11 · github.com/networkx/networkx/blob/main/networkx/generators/social.py · 확인 2026-11-12
  16. NumPy 2.4 Reference Random Generator — NumPy Developers · 2026-11 · numpy.org/doc/stable/reference/random/generator.html · 확인 2026-11-12