12. Temporal graph 코드로 알아보기

Contents 1. Dynamic graphs 2. EvolveGCN: 웹 트래픽 예측하기 3. 코로나 확산 예측하기 이전 포스팅까지는 노드와 엣지가 변하지 않는, 고정된 그래프를 대상으로 했습니다. 그러나 실제로는 시간이 지나면서 새로운 노드가 생기기도 하고, 노드 간의 연결 상태가 변하기도 합니다. 예를 들어, 소셜 네트워크에서는 사람들이 다른 사용자를 팔로우, 언팔로우하는 경우가 있습니다. 추천 시스템에서는 사용자들이 새로운 아이템들을 구매하면서 사용자와 아이템 간의 연결 상태가 지속적으로 변할 것입니다. 이러한 동적 요소는 이전에 설명한 GNN 아키텍처를 사용하여 표현할 수 없습니다. 대신, 정적 그래프를 동적 그래프로 변환하기 위해 새로운 시간적 차원을 포함해야 합니다. 이러한 동적 네트워크를..

• format_list_bulleted Graph/Graph with Code
• · 2023. 7. 12.
• textsms

11. Heterogeneous Graphs 코드로 구현하기

Contents 1. Heterogeneous graphs란? 2. Heterogeneous graphs 구현하기 3. HAN 모델 이전까지 포스팅에서는 노드와 엣지가 같은 유형으로 구성된 그래프들을 대상으로 GNN을 적용했습니다. 본 포스팅에서 다룰 heterogeneous graphs는 다양한 유형의 노드와 엣지로 구성된 그래프입니다. 일반적으로 그래프 데이터는 homogeneous graphs를 기본으로 합니다. Homogeneous graph는 하나의 유형의 노드와 엣지로 이루어져 있습니다. 예를 들어, 소셜 네트워크에서 모든 노드가 사용자를 나타내고 엣지는 사용자 간의 관계를 나타내는 것과 같습니다. 반면에 heterogeneous graph는 여러 종류의 노드와 엣지로 구성됩니다. 각 노드와 ..

• format_list_bulleted Graph/Graph with Code
• · 2023. 7. 11.
• textsms

10. GNN을 활용한 그래프 생성 코드 구현하기

Contents 1. 전통적인 그래프 생성 기법 1.1 The Erdős–Rényi model 1.2 The small-world model 2. GNN 기반 그래프 생성 기법 2.1 Graph variational autoencoders 2.2 Generative adversarial networks 본 포스팅에서는 새로운 그래프를 생성하기 위한 그래프 생성 기법을 알아보겠습니다. 그래프 생성은 여러 분야에서 사용됩니다. 예를 들어, 분자 구조 생성, 소셜 네트워크 분석, 도로 네트워크 모델링 등 다양한 응용 분야가 있습니다. 또한, 데이터 증강, 이상 탐지, 약물 발견 등에 주요하게 사용됩니다. GNN을 활용한 그래프 생성은 두 가지 유형으로 구분할 수 있습니다. 첫 번째는 기존의 그래프 데이터를 학..

• format_list_bulleted Graph/Graph with Code
• · 2023. 7. 10.
• textsms

9. 그래프를 활용한 링크 예측(Link Prediction): 기초 방법론부터 GAE까지

Contents 1. 전통적인 링크 예측 1.1 휴리스틱 방법론 1.2 Matrix factorization 2. GNN 기반 링크 예측 2.1 GAE (Graph Autoencoder) 2.2 VGAE (Variational Graph Autoencoder) 링크 예측(Link Prediction)은 그래프 이론의 중요한 분야 중 하나입니다. 링크 예측은 그래프 내에서 새로운 연결이 형성될 가능성을 예측하는 작업으로, 소셜 네트워크와 추천 시스템에 핵심적으로 사용되고 있습니다. 특히 추천 시스템에서 유저 노드와 아이템 노드 간의 상호작용을 예측하기 위해 활용됩니다. 이번 포스팅에서는 그래프 구조에서 링크 예측을 위한 기초적인 방법론부터 GAE 신경망까지 알아보도록 하겠습니다. 기초적인 방법론은 딥러닝 ..

• format_list_bulleted Graph/Graph with Code
• · 2023. 7. 7.
• textsms

그래프와 행렬: 라플라시안 행렬(Laplacian matrix)

Laplacian Matrix 라플라시안 행렬(Laplacian matrix)은 그래프의 구조와 특성을 파악하는 데에 중요한 개념입니다. 이번 포스팅에서는 그래프 관점에서 라플라시안 행렬의 의미와 활용에 대해 자세히 알아보겠습니다. 엑셀 스프레드 시트나, spss와 같은 테이블 데이터와 달리, 그래프는 각 데이터를 나타내는 노드와, 노드 간의 관계인 엣지로 이루어진 형태를 띄고 있습니다. 이러한 그래프 구조를 표현하는 방법 중 하나가 인접 행렬(adjacency matrix)입니다. 아래와 같은 6개의 데이터(노드)와 각 노드의 관계로 이루어진 그래프가 있을 때, 노드들의 연결 상태를 표현하는 것이 입접 행렬입니다. 그래프를 구성하는 총 노드의 개수를 N이라고 하면, 입접 행렬 A는 (N x N) 매트릭..

• format_list_bulleted Graph/Graph Theory
• · 2023. 7. 6.
• textsms

메시지 패싱(message passing) 이란? MPNN (Message Passing Neural Network) 알아보기

메시지 패싱 (message passing)이란? 본 포스팅에서는 메시지 패싱을 그래프 신경망 관점에서 알아보겠습니다. 메시지 패싱은 그래프에서 노드 간에 정보를 전달하고 상호작용하는 방법을 의미합니다. 각 노드는 고유한 노드 임베딩을 학습하기 위해 주변 노드로부터 메시지를 받아들이고, 이를 기반으로 자신의 상태를 업데이트합니다. 예를 들어, GCN이나 GAT와 같은 GNN 기반 모델들은, 노드 임베딩을 계산하기 위한 세부적인 방법은 다르더라도 그 전체적인 흐름은 메시지 패싱의 형태를 따릅니다. 즉 우리는 다양한 형태의 GNN 레이어를 Message Passing Neural Network (MPNN or MP-GNN)으로 일반화 할 수 있습니다. Gilmer et al. (2017)에 따르면 노드에 메..

• format_list_bulleted Graph/Graph Theory
• · 2023. 7. 4.
• textsms