최근 데이터의 규모뿐만 아니라 다양한 종류의 데이터가 대량으로 생성되고 있다. 데이터는 표현하는 구조에 따라 시퀀스 데이터, 스트림 데이터, 그래프 데이터 등이 있으며 이러한 데이터들은 각기 다른 특성을 가지고 있기 때문에 데이터의 특성을 고려하여 분석하는 것이 중요하다. 따라서 본 논문에서는 다양한 데이터 유형 중 그래프 데이터에 대한 분석 기법을 제안한다. 본 논문에서는 그래프 데이터 분석에 주로 사용되는 그래프 신경망(graph neural network, GNN) 중 대표적인 그래프 합성곱 신경망(graph convolutional network, GCN)을 사용한다. GCN은 주어진 그래프에 포함된 각 노드의 특징과 노드 간의 연결 상태를 입력으로 받아 각 노드에 대한 표현(representation)을 학습한다. 하지만 GCN은 학습 후 시간이 지나 일부 노드만 특징이 변경되더라도 전체 노드의 표현을 모두 다시 학습해야 한다는 문제가 있다. 특히 소셜 네트워크와 같이 노드 수가 많은 대규모 그래프에서는 시간의 흐름에 따라 일부 노드의 특징이 변화되는 경우가 있다. 시간에 따라 동적으로 변화하는 그래프 데이터를 다루기 위해 여러 방법이 제안되었으나, 기존 연구들은 주로 새로운 노드나 간선의 추가에 집중하였다. 그러나 노드의 특징이 시간이 지나면서 변경될 때 전체 노드의 표현을 재계산하는 데는 상당한 계산 비용이 발생한다. 따라서 본 논문은 기존의 노드 표현을 효과적으로 갱신함으로써 이러한 비용을 낮추는 방법을 제안한다. 제안 방법은 기존의 GCN 방법론을 확장하여 변경된 노드와 그 이웃 노드들의 표현만 재계산 하는 방법을 제안한다. 이전에 학습된 표현을 이용하여 이후 변화된 노드와 그 이웃 노드들의 표현만 재계산함으로써 전체 그래프의 노드 표현을 빠르게 갱신할 수 있다. 실험에서는 가상 데이터를 사용하여 제안된 방법과 기존의 방법을 비교하였다. 실험 결과 제안 방법은 특징이 변경된 노드 수가 적을수록 전체 노드의 표현을 모두 다시 학습하는 기존 방법에 비해 수행 시간을 최대 50%까지 감소시킴을 확인하였다. 또한 전체 노드의 수를 증가시키며 특징이 변경된 노드가 전체 노드의 50%를 넘지 않을 때 기존 방법에 비해 항상 좋은 성능을 보임을 확인하였다. 이를 통해 그래프 내에서 노드의 특징이 변화할 때 빠른 대응이 필요한 환경에 효과적으로 적용될 수 있다.