- 'Graph datascientist' - My bio is following repo. it has the many information than sentence including project link. - https://www.notion.so/tteon/Jeong-IiTae-fb9139af14db4730b2aac1942d6bbada
GraphOmakase
DisoFLAG: accurate prediction of protein intrinsic disorder and its functions using graph-based interaction protein language model paperlink keyword * #단백질언어모델 * #신약개발 * 데이터 임베딩과 모델 구조 💡 생물학자: 악의적이고 문제를 일으키는 단백질에 대해 어떤 형태의 약물을 먼저 개발해야 하는지 예측하는 신뢰할 수 있는 방법이라고 합니다. 이 결과를 어떻게 쉽고 빠르게 확인 할 수
Graphconference
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
GraphOmakase
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
GraphOmakase
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
GraphOmakase
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
안녕하세요 정이태입니다. 오늘 대전대덕특구TF에서 인공지능과 지식그래프 라는 세미나에 참석하여 연사자로써 발표하고 왔습니다. 정부출연 연구기관에서 은퇴(고경력 과학기술인)를 하시고, 제2의 커리어를 위해 열심히 공부하시며 연구하고 계시는 시니어분들을 대상으로 지식그래프의 시장과 비즈니스라는 주제로 제 나름의 노하우와 인사이트를 전달하고 왔습니다. 몇십년간 연구를 진행하시며 축적된 본인만의 데이터를 지식베이스처럼 구조화 체계화 하는것에 대해 많은
GraphOmakase
Preview How Transitive Are Real-World Group Interactions? - Measurement and Reproduction → 그래프 지표 중 하나인 전이성(Transitivity), Hypergraph 에서는 어떻게 측정되며 생성모델에서는 어느 측면으로 접근할 수 있을까요? A*Net: A Scalable Path-based Reasoning Approach for Knowledge Graphs →KG Reasoning , 안그래도 비용이 많이 드는 알고리즘인 최단거리탐색 알고리즘을 지식그래프에 적용을 한다? A*
GraphOmakase
Preview On the Connection Between MPNN and Graph Transformer → Graph transformer 의 Self-attention,Positional-encoding 을 대체하기 위해 MPNN에서 어떤 시도를 할 수 있을까요? Virtual node 를 통해 앞선 두가지 요소를 대체하기 위한 아이디어에 대해 알아봅니다. EquiformerV2: Improved Equivariant Transformer for Scaling to Higher-Degree Representations → Euqiformer 모델에서 scalable 를 위해 개선한
GUG 2nd Seminar Yuri GUG-2nd_Seminar_Yuri_발표자료.pdf 8 MB download-circle GUG 2nd Seminar GUG-2nd_Seminar_허홍수_발표자료.pdf 5 MB download-circle GUG 2nd Seminar GUG-2nd_Seminar_고석현_발표자료.pdf 5 MB download-circle GUG 2nd Seminar GUG-2nd_Seminar_곽상환_발표자료.pdf 7 MB download-circle GUG 2nd Seminar GUG-2nd_Seminar_
GraphOmakase
Transformers Meet Directed Graphs [https://arxiv.org/pdf/2302.00049.pdf] 트랜스포머 시대에 살고있다해도 무리가 없을 정도로 데이터 종류를 가리지않고 많은곳에서 트랜스포머를 활용하고 있는 요즘입니다. 하지만, 그래프 데이터에서만 유난히 기를 못쓰는데요. 그 이유로는 1. 동형 사상 2. 토폴로지 종류 라고 저는 생각합니다. 본 논문에서는 위 두 가지를 한계점으로 꼽고 해결하고자
GraphOmakase
Voucher Abuse Detection with Prompt-based Fine-tuning on Graph Neural Networks [https://arxiv.org/pdf/2308.10028.pdf] 저번주 오마카세에서도 언급했었죠. GNN 이 각광받고 있는 이유중 하나 바로 준지도학습을 통해 라벨링 되어있지 않은 데이터에 대해 추론이 가능하다 였습니다. 이를 활용하기 좋은 분야는 바로 FDS 즉 이상치 탐지분야인데요. 오늘은 저번 오마카세에서 다룬
GraphOmakase
MESH: A Flexible Distributed Hypergraph Processing System [https://ieeexplore.ieee.org/document/8790188] “Think likie a vertex” 점처럼 생각하라. 본 논문을 읽으며 처음 접한 문장이지만, 그래프 처리 시스템들의 개발 이념 중 하나라고 하네요. 객체 지향 프로그래밍과 유사한 개념입니다. ‘점’ 기준으로 모든걸 생각한다. 라고 생각하시면 이해가 수월하실수 있겠습니다. 점의 상태 그리고