링크 예측은 네트워크 구조 데이터에 있어 핵심적인 문제입니다. 링크 예측 휴리스틱은 공통 이웃(common neighbors) 및 카츠 지수(Katz index)와 같은 점수 함수를 사용하여 링크의 가능성(likelihood)을 측정합니다. 이러한 휴리스틱들은 간단함, 해석 가능성, 그리고 일부는 확장성(scalability)으로 인해 널리 실용적으로 활용되고 있습니다. 그러나 각 휴리스틱은 두 노드가 연결될 가능성이 높다고 가정하는 강한 가정을 가지고 있으며, 이러한 가정이 성립하지 않는 네트워크에서는 효과가 제한적입니다. 이와 관련하여, 주어진 네트워크에서 적합한 휴리스틱을 학습하는 것이 사전 정의된 휴리스틱을 사용하는 것보다 더 합리적인 방법일 것입니다. 각 대상 링크 주변에서 로컬 서브그래프(local subgraph)를 추출함으로써, 우리는 서브그래프 패턴을 링크 존재로 매핑하는 함수를 학습하려고 합니다. 이를 통해 현재 네트워크에 적합한 '휴리스틱'을 자동으로 학습할 수 있습니다. 본 논문에서는 이러한 링크 예측을 위한 휴리스틱 학습 패러다임을 연구합니다. 첫째, 새로운 $\gamma$-감쇠 휴리스틱 이론($\gamma$-decaying heuristic theory)을 개발하였습니다. 이 이론은 다양한 휴리스틱들을 단일 프레임워크에서 통합하며, 모든 이러한 휴리스틱들이 로컬 서브그래프로부터 잘 근사될 수 있음을 증명합니다. 우리의 결과는 로컬 서브그래프가 링크 존재와 관련된 풍부한 정보를 보유하고 있음을 보여줍니다. 둘째, $\gamma$-감쇠 이론에 기반하여 그래프 신경망(graph neural network, GNN)을 사용하여 로컬 서브그래프에서 휴리스틱을 학습하는 새로운 알고リ즘を提案します。실험 결과는 획기적인 성능을 보여주며, 다양한 문제에서 일관되게 우수한 성능을 발휘하였습니다。