협업 필터링(Collaborative Filtering, CF)은 추천 시스템 분야에서 오랜 기간 연구되어 온 핵심 문제이다. 최근에는 기존의 행렬 분해 기법부터 최신의 그래프 컨볼루션 네트워크(GCN) 기반 방법까지 다양한 새로운 접근법이 제안되어 왔다. 최근의 강력한 논의를 거친 후, 연구자들은 여러 데이터셋에서 최첨단 정확도를 보이는 선형 그래프 컨볼루션 네트워크(linear GCN)와 레이어 조합 기법에 주목하게 되었다. 본 연구에서는 이러한 선형 GCN의 개념이 미분 방정식으로 해석될 수 있음을 기반으로, 신경 미분 방정식(Neural Ordinary Differential Equations, NODEs)을 활용하여 이를 확장한 새로운 방법을 제안한다. 이를 통해 학습 가능한 시간 기반의 미분 방정식 기반 협업 필터링(Learnable-Time ODE-based Collaborative Filtering, LT-OCF)을 도입한다. 본 연구의 주요 혁신점은 다음과 같다. 먼저, NODE 프레임워크 위에서 선형 GCN를 재설계함으로써, 수작업으로 설계된 아키텍처에 의존하지 않고 최적의 아키텍처를 자동으로 학습한다. 둘째, CF에 적합한 부드러운 ODE 해를 학습함으로써, 더 안정적이고 일반화된 성능을 달성한다. 셋째, 내부적으로 다양한 신경망 연결 구조를 형성하는 다양한 ODE 해법기(ODE solvers)를 활용하여 실험을 수행한다. 또한 본 연구에 특화된 새로운 학습 방법을 제안한다. 세 가지 벤치마크 데이터셋(Gowalla, Yelp2018, Amazon-Book)을 대상으로 한 실험 결과, 기존의 방법들에 비해 일관되게 더 높은 정확도를 보였다. 예를 들어 Amazon-Book 데이터셋에서 LightGCN의 Recall은 0.0411, NDCG는 0.0315였으나, LT-OCF는 각각 0.0442와 0.0341을 기록하였다. 또한 실험을 통해 중요한 발견 하나를 확인할 수 있었다. 즉, 최고의 성능은 선형 연결이 아닌 밀집 연결(Dense Connections)을 통해 달성된다는 점이다.