- '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
GUG admitted by NIPA !!! GUG became the official community !!! GraphUserGroup 이 nipa 에서 주관하는 공개 SW official community 로 등록되었습니다. 이제 공식적으로 하나의 커뮤니티로 인정받게 되었습니다. 더불어서 공간지원 , 커뮤니티 확대 마케팅 비용 지원 등과 같이 다방면으로 혜택을 받을 수 있게되어, 더욱 활발하게 여러분들과 함께 그래프 기술 교류가 가능할것으로 기대되네요. 평소
GraphOmakase
이번주차 graph travel preview 입니다. node classification 에 중점을 두었기에 평소에 이 부분에 대해 궁금하셨던분들에게 추천합니다. Erica 님의 큐레이션이 더해져 있기에, 재밌게 공부하실 수 있을겁니다 :) Random Walk Node Embedding Deep Walk (Word2Vec - Skip-gram) Node Classification Is Rewiring Actually Helpful in Graph Neural Networks? [https://arxiv.org/pdf/2305.19717.
GraphOmakase
Graph Travel 1화, members only [www.graphusergroup.com/graph-tutorial-1/] Graph Travel 1화가 막을 열었습니다. Preview 는 다음과 같습니다. 1. Graph & Subgraph & Degree 2. Undirected Graph & In-degree & Out-degree 3. Weight & Connectivity & Centrality 4. Density & Adjacency Matrix 코드와 함께 Graph 기초 개념을 다룬 튜토리얼이다보니 누구나
GraphOmakase
[GUG ad] 다음주부터 GUG community builder Erica 님의 그래프 튜토리얼이 진행됩니다. 매 주, 기초부터 실제 애플리케이션까지 단계별로 배워나가는 튜토리얼 시리즈를 진행하니 많은 관심을 부탁드립니다! [members only] Graph Travel 0화 Link Topological Deep Learning: Going Beyond Graph Data [https://arxiv.org/pdf/2206.00606.pdf] Why TDA? 라는 질문에 명쾌하게 답을
GraphOmakase
A Generalization of Transformer Networks to Graphs [https://arxiv.org/pdf/2012.09699.pdf] Introduction Transformer 의 야성은 어디까지일까요. 가늠하기가 힘드네요. 모든 데이터에서 dominant 한 모델 Transformer, 본 논문에서는 Transformer 구조를 graph 에 활용하기 위한 extended version 을 제안합니다. ** 본 논문은 'CS6208’ 수업을 진행하시는 Xavier Bresson 교수님께서 publish 한
GraphOmakase
💡오마카세 300명을 목전에 두고 있네요. 여러분들의 관심 덕분이라 생각합니다. 감사합니다. 확장성에 힘입어 콘텐츠 다각화를 위해 에디터 4분을 모셨습니다. 더욱 다양하고 양질의 정보로 찾아뵐 수 있도록 노력하겠습니다. Context-Aware Knowledge Graph Chatbot With GPT-4 and Neo4j [https://medium.com/neo4j/context-aware-knowledge-graph-chatbot-with-gpt-4-and-neo4j-d3a99e8ae21e] Knowledge graph 를 통해 어떻게 Chatgpt 성능을 향상할 수 있을까요 ? 본
GraphOmakase
미리보기 [ESN(Echo State Network) , spatio-temporal GNN 에서 큰 한계점이였던 spatio-temporal feature training 에서 발생하는 막대한 연산량을 절감하기 위해 접목한 방식 ESN. 속도와 성능 측면에서 결과를 의심할 정도로 좋은 결과를 보입니다. 그 원리는 무엇인지에 대해 다루어봅니다. ] [Graph 종류는 굉장히 다양합니다. 주로 관계(edge)에 따라 많이 나뉘곤하는데요. 그때마다 task, modeling
GraphOmakase
Twitter Recommendation algorithm [https://github.com/twitter/the-algorithm] twitter graph 알고리즘 특집입니다. 정리 요약본을 보시려면 [https://newsletter.theaiedge.io/p/how-twitter-and-tiktok-recommend] 게시물을 추천드립니다. 트위터에서 알고리즘을 오픈했죠. 이 사례가 무엇을 함의하고 있는가를 고민해본 결과 두 가지 결론을 내리게 되었습니다. 1. [SNS계의 ESG] 자칫하면 정보의 편향성과 왜곡을 불러일으킬 수 있는 SNS에서 알고리즘
GraphOmakase
Neural Graph Databases [https://towardsdatascience.com/neural-graph-databases-cc35c9e1d04f] Completeness. Query engines assume that graphs in classical graph DBs are complete. Preliminary Why useful knowledge graph in question answering task? 1. Structured representation: Knowledge graphs represent information in a structured way, using nodes to represent entities and edges to represent relationships between
GraphOmakase
Graph Neural Networks Inspired by Classical Iterative Algorithms [https://arxiv.org/pdf/2103.06064.pdf] preliminary IRLS , Iterative Reweighted Least Squares suggested resource ; [Medium] IRLS is to iteratively reweight the least-squares regression problem based on the current estimates of the model parameters. The weights are chosen such that points with
GraphOmakase
The dynamic nature of percolation on networks with triadic interactions [https://www.nature.com/articles/s41467-023-37019-5] “preliminary” percolation effect 그들은 3차 상호 작용의 역학을 고려한 모델을 제안하고 이것이 개인 간의 쌍방향 상호 작용만 고려하는 모델과 비교하여 다른 결과를 초래할 수 있음을 보여줍니다. 네트워크 과학에서 퍼콜레이션(percolation)은 노드 또는 에지가
GraphOmakase
Social network analysis of Japanese manga: similarities to real-world social networks and trends over decades [https://arxiv.org/pdf/2303.07208.pdf] * 여러분들은 그래프 데이터가 언제 와닿나요? 주변에 있는 사물 혹은 인간 관계등이 직관적으로 표현될 때가 가장 이해하기도 쉽고 재밌었던것 같네요. 데이터 도메인에 대해 무의식적으로 이해하고 있기에 그렇지 않을까 싶습니다.