A new recipe everyday, directly in your inbox.
* Graph RNN 이해 * Sequential & Auto Regressive 안녕하세요, GUG 여러분! 그래프 튜토리얼의 가이드 Erica에요 🌏 9번째 여행에서는 GraphRNN 모델을 다룰 거에요. GRU와 LSTM의 아이디어를 Graph에 적용해 만들어진 아키텍처라고 할 수 있죠. 그래프 데이터의 생성, 예측, 분류 등 다양한 작업에 사용될 수 있지만 그 중에서도 특히 Graph Generation Task에 효과적이랍니다! 📢 가독성을 위해 본문에는
지난 11월11일 가짜연구소에서 주최하는 슈도콘에 참여했습니다.여러 기억에 남는 순간들이 많았지만, 지금 텍스트로 정리하며 그 중 몇몇을 추려보자면 다음 3가지가 떠오르네요. * 1.발표 연사로 참여하고 왔습니다. * 그래프 오마카세 주방장이 말하는 현업과 괴리 라는 주제로 운이좋게도 발표를 하게 되었습니다. 마침 그래프 오마카세의 1주년과 저의 31주년이 겹치는 생일이였기에 올해 받은 선물 중
오늘은 stanford & pyg 에서 진행한 컨퍼런스를 가져왔습니다. 주방장이 1년간 여러분들에게 드렸던 정보들 중 핵심만을 가득 담아놓아서 깜짝놀랬습니다. 아마 글 중 ‘핵심’이다 라고 강조했던 부분이 있었을텐데요. 그 부분들이 7시여간의 컨퍼런스에 모두 담겨있었습니다. 다시 말하자면, 1년간의 그래프 기술들을 공부하며 정수라고 생각했던 부분들이 이 컨퍼런스에 잘 녹아져 들어가 있던거죠. 그러기에, 그래프에 관심있으신
1. BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models → NER(Name Entity Recognition) , RE(Relation Extraction) 때문에 고생하셨던 분들에게 단비같은 논문이라 생각합니다. 프롬프트 엔지니어링과 사전학습된 모델만으로 다양하고 정교한 관계를 추출할 수 있는 방법에 대해 이야기합니다. 2. Knowledge Graph Generation From Text → 대규모 언어모델을 활용해 지식그래프를 형성하는 과정에서
A Complete Expressiveness Hierarchy for Subgraph GNNs via Subgraph Weisfeiler-Lehman Tests [https://arxiv.org/pdf/2302.07090.pdf] Expressive power, 그래프 데이터의 장단점을 논할 때 항상 강조되는 요소입니다. 노드 수와 엣지 수가 동일한 그래프라 하더라도, 그래프 내의 노드 연결 방식에 따라 다른 그래프로 구분됩니다. 따라서 '어떻게 연결'되는지를 이해하고 이를 숫자로
