GNN32 CS224w - 02. Traditional Methods for Machine Learning in Graphs 인트로에서 말했던 것처럼, GNN에는 여러 task가 있습니다. Node-level prediction을 예시로 든다면 node V가 왔을 때 이를 실수 공간 R로 mapping하는 function을 찾고 싶은 것입니다. 과연 과거의 전통적 방법론들은 어떤 접근을 했을까요? 여기서 소개된 Node-level feature에는 네가지가 있습니다. Node degree, node centrality, clustering coefficient, graphlets이 그것입니다. Degree는 특정 node에 연결된 edge의 개수입니다. Degree는 각 node의 중요성을 고려하여 정해지는 인자는 아닙니다. 하지만 node centrality는 node의 importance를 고려합니다. Centrality를.. 2022. 2. 17. CS224w - 01. Intro 본 글은 graph neural network을 다룬 CS224w 수업 제1강의 요약입니다. 너무 일반적인 이야기는 제외하였습니다. 흔히 등장하는 Graph Deep Learning이 필요한 이유입니다. 이미지는 격자형으로 정형화, 텍스트는 단어 순서대로 정형화되어있습니다. 이에 반해 네트워크 데이터는 격자나 연속된 하나의 흐름으로 만들 수 없는 경우가 많습니다. Fixed size 데이터가 아닌 것이고, graph에서는 image에서 상하좌우가 의미를 갖는 것처럼 위치 정보가 의미를 갖지도 않습니다. 이런 이유에서 그래프를 위한 러닝 프레임워크인 Graph Neural Network(GNN)이 필요합니다. 소셜 네트워크처럼 정보 그 자체가 그래프인 Natural Graph와 정보 연결을 나타내는 Inf.. 2022. 2. 15. 이전 1 ··· 3 4 5 6 다음
