GraphOmakase
TopoTune : A Framework For Generalized Combinatorial Complex Neural Networks paper link : https://arxiv.org/abs/2410.06530 official link : https://github.com/geometric-intelligence/TopoBenchmark?utm_source=catalyzex.com Index * What is combinatorial complex ? --> N_up&down incidence, N_up&down Adjacency, Augmented Hasse Graphs, CCNN'
GraphOmakase
On the Expressivity of Persistent Homology in Graph Learning paper link : https://arxiv.org/pdf/2302.09826 Index * Properties of Filtrations * The Weisfeiler-Leman Hierarchy * 이전에는 단순 데이터의 Statistical analysis의 descriptor로만 사용되었던 토폴로지 기법들은 딥러닝 시대에 들어서면서 일명 토폴로지 딥러닝 (TDL) 이라는 도메인이 정의될 정도로 그 잠재성을 크게 인정받고 최근 많은
GraphOmakase
Persistent Homology based Graph Convolution Network for Fine-grained 3D shape Segmentation paper link : https://openaccess.thecvf.com/content/ICCV2021/papers/Wong_Persistent_Homology_Based_Graph_Convolution_Network_for_Fine-Grained_3D_Shape_ICCV_2021_paper.pdf * 물체를 정확하게 이해하기 위해서는 먼저 그 물체를 구성하는 요소들 하나하나를 정확하게 인식하고, 그로부터 전체적인 형상을
GraphOmakase
배지훈 CliquePH: Higher-Order Information for Graph Neural Networks through Persistent Homology on Clique Graphs paper link : https://www.arxiv.org/abs/2409.08217 Index * What is clique graph ? * Methodology : Graph Lifting * Methodology : Learnable Persistent Homolgy * Methodology : Information Combination * 안녕하세요 오마카세 독자 여러분들. 어느덧 제가 그래프 오마카세를 여러분들께 발행해드린지 어느덧 9개월의
GraphOmakase
GUG와 함께 성장하실 분 계실까요!? GUG의 주요 콘텐츠인 그래프 오마카세는 2022년에 첫 발행을 시작으로, 현재까지 200편 이상의 논문 리뷰를 진행하며, 초기 50여 명의 구독자에서 현재는 493명의 구독자와 함께 폭발적으로 성장하고 있습니다. 본인의 연구나 평소 공유하고 싶은 그래프 지식이 있으신 분이라면, 그래프 오마카세와 GUG를 통해 그래프 기술 생태계에 기여해보시는 건 어떨까요?
GraphOmakase
정이태 1.Graph Parallel Engine 최근 제가 맡았던 업무 대부분이 그래프 애플리케이션과 관련이 있었기에, 이번 연휴 동안 기본기를 다지기로 결심하고 열심히 공부하고 있습니다. 특히, 그래프 병렬 엔진에 대해 깊이 탐구하고 있죠. 이유는 간단합니다. 전통적인 테이블 데이터와 달리 그래프 데이터는 관계(엣지)라는 요소가 추가되기 때문에, 시스템 설계와 연산 부담이 저수준
GraphOmakase
Graph Inductive Biases in Transformers without Message Passing paper link & official code : https://paperswithcode.com/paper/graph-inductive-biases-in-transformers 배지훈 Index * (Methodology) Learned Random Walk Relative Encodings * (Methodology) Flexible Attention Mechanism with Absolute and Relative Representations * (Methodology) Injecting Degree Information * Experiment Results * 이번 주 오마카세에서는 그래프 트랜스포머와 관련한 재밌는 논문 하나를
GraphOmakase
Convolutional Learning on Simplicial Complexes paper link : https://arxiv.org/abs/2301.11163 배지훈 Index * Simplicial Complex Convolutional Neural Networks (SCCNNs) * Simplicial Complex Symmetry (& Equivariance) * Spectral Analysis * Stability Analysis * 그래프 상의 pairwise relation 관계를 인코딩하는 것에 그치지 않고, 노드 및 엣지로 표현될 수 있는 higher-order한 structural information 까지 한번에
GraphOmakase
Simplicial Complex Representation Learning paper link : https://arxiv.org/pdf/2103.04046 배지훈 Index * Geometric Message Passing Schemes (GMPS) : AMPS, CMPS, HCMPS * Entire Simplicial Complex Learning : Simplicial Complex Autoencoders (SCAs), Learning Embedding * Simplicial complex 상의 복합적인 요소들을 한번에 집계하여 학습을 가능하게 한 신경망 모델, SNNs의 등장 이래로 수많은 학습 모델들이
GraphOmakase
Simplicial Neural Networks paper link : https://arxiv.org/abs/2010.03633 official code : https://github.com/stefaniaebli/simplicial_neural_networks video : https://www.youtube.com/watch?v=2cidzWXH_vg&t=21s 배지훈 Index * Introduction * Proposed method : Simplicial convolution - SNNs * Summary * 이번 주 오마카세에서는 Simplicial complex의 higher-order interactions을 컨볼루션
GraphOmakase
Graph Filtration Learning paper link : https://arxiv.org/abs/1905.10996 official code : https://github.com/c-hofer/graph_filtration_learning 배지훈 Index * Background ; Homology (Persistent homology), Filtration, Persistent barcode * Methodology ; Graph Filtration Learning (GFL), Problematic scenario during backpropagation * Summary * 안녕하세요. 이번 주 오마카세는 토폴로지 신호 처리 도메인에서 벗어나, 그래프 토폴로지를
GraphOmakase
Graph-based Semi-Supervised & Active Learning for Edge Flows paper link : https://arxiv.org/abs/1905.07451 official code(Julia) : https://github.com/000Justin000/ssl_edge 배지훈 Index * Graph-based Semi-supervised Learning for Edge flows * Methodology * Spectral Graph Theory Interpretations * Signal smoothness, cut-space, and cycle space * Active Semi-supervised Learning * Summary * 안녕하세요 독자