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

8. GIN (Graph isomorphism network) 기초 및 코드 구현

Contents 1. GIN (Graph Isomorphism Network) 2. GIN을 활용한 그래프 분류 2.1 코드 구현 GIN은 Graph Isomorphism Network의 약자로, 그래프 동형성을 바탕으로한 모델입니다. 2018년에 Xu et al.에 의해 소개된 GIN은 그래프 동형성을 평가하는 WL 테스트의 표현을 갖추도록 설계되었습니다. 본 포스팅에서는 WL 테스트에 대한 설명은 다루지 않습니다. 전통적인 방식보다는, neural network 관점에 포커싱하여 GIN을 소개합니다. GIN은 그래프 구조를 구별하기 위해 사용되는 기법입니다. 이번 포스팅에서는 GIN과 그래프의 표현력을 의미하는 graph expressiveness에 대해 설명하겠습니다. 1. GIN (Graph Is..

• format_list_bulleted Graph/Graph with Code
• · 2023. 7. 3.
• textsms

7. GraphSAGE 이해 및 코드 구현

Contents 1.GraphSAGE 1.1 이웃 샘플링 1.2 Aggregation 2. GraphSAGE 코드 구현 3. Inductive VS Transductive Learning 그래프나 추천 시스템 분야에서는 모델에 대한 scalability 문제가 중요합니다. 아무리 정확한 모델이더라도, 연산이 너무 많아 모델이 무거워지면 현실에 존재하는 빅데이터에 적용하기 힘들어집니다. GraphSage는 lager 그래프를 다루기 위해 제안된 모델입니다. 특히 e-commerce 분야에서 수백만명의 유저와 아이템이 존재하기 때문에, 추천 시스템에서도 GraphSage 알고리즘을 이용하는 경우가 많습니다. 이번 포스팅에서는 큰 그래프는 다룰 때 scalability를 해결하기 위한 GrapgSage를 알..

• format_list_bulleted Graph/Graph with Code
• · 2023. 6. 30.
• textsms