- '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
Weighted flow diffusion for local graph clustering with node attributes: an algorithm and statistical guarantees [https://arxiv.org/pdf/2301.13187.pdf] * graph clustering 방법론들은 노드 , 엣지의 구조만을 활용한 방식들이 대다수입니다. large graph 에서 conductance 라는 서브 그래프간 tightly connected 를 측정하는 지표를 토대로 clustering 이 잘 되었는지 되지 않았는지를
GraphOmakase
Graph Rewiring: From Theory to Applications in Fairness [https://github.com/ellisalicante/GraphRewiring-Tutorial] * 3월 2주차 그래프 오마카세의 시작은 GNN 고질적인 문제인 ‘over-smoothing , over-squashing and under-reaching 을 어떻게 네트워크 이론으로 해결해볼것인가’라는 관점이 담겨있는 튜토리얼 소개로 시작해보겠습니다. * 기존에는 graph rewiring 이라는 기술을 활용해서 노드간 정보 흐름을 적절하게 조절해주곤 했습니다. 여기에서 ‘적절하게’
GraphOmakase
Identifying critical nodes in complex networks by graph representation learning [https://arxiv.org/pdf/2201.07988.pdf] * 네트워크 데이터에서 중요한 노드,엣지를 찾는것은 복잡계 네트워크 뿐만아니라, 물리 통계 수학 분야를 가리지 않고 많은 학문적 연구가 이루어져 왔습니다. 그 결과로 저희가 자주 활용하는 pagerank, degree centrality 등이 탄생하게 된거죠. 하지만 데이터
GraphOmakase
Breaking the Limit of Graph Neural Networks by Improving the Assortativity of Graphs with Local Mixing Patterns [https://arxiv.org/pdf/2106.06586.pdf] * 오늘 소개해 드릴 네트워크 지식은 동질성(Assortativity)입니다. 먼저 그 정의부터 말씀 드리면 다음과 같습니다. 동질성은 네트워크 내의 노드가 어떤 방식으로든 서로 비슷한 노드에 연결되는 경향을
GraphOmakase
Graph Neural Networks Go Forward-Forward modeling [https://arxiv.org/pdf/2302.05282.pdf] * ‘Backward 를 Forward 로 대체한다’라는 참신한 아이디어를 적용한 논문입니다. 레이어를 거듭하며 파라미터가 갱신되는 기존 학습 방식과 다르게, 오직 한 레이어에서 파라미터가 갱신되는 방식입니다. 그럼 자연스레 체인룰 과정이 생략되며 cost 가 간소화되는 효용을 얻을 수 있습니다. * 본
GraphOmakase
그래프 임베딩 하실 때 데이터에 대해 고민해보신 경험 있으실까요? 오늘 이 시간에는 임베딩 결과에 도움이 될만한 네트워크 지표를 가져왔습니다. 바로 degree 뿐만 아니라, clustering coefficient , path length 등에 대한 요소들입니다. 그럼 이 요소들이 어떻게 도움이 되는가? 라는 의문이 드실텐데요. 활용 사례를 말씀드려볼게요. Table 2.1. 에서 나온 지표들을 모두 고려하면
GraphOmakase
static and dynamic robustness Dynamic 편 * Robustness 기억나시나요? 저번주 오마카세에서는 ‘static’ 맥락을 다루었다면, 이번주차는 ‘dynamic’ 맥락입니다! ‘static 와 dynamic 의 가장 큰 차이점은 바로 ‘역학’ 입니다. 코로나를 역학조사 할 때도 쓰인 개념이죠. SIR 모델. 누군 치료되고 누군 감염되는 등 실시간으로 변화되는 네트워크 상태 예의주시하는게 핵심입니다. 그렇다면 어떻게 우리가 예측을 할
GraphOmakase
Static and dynamic robustness * 오늘 다루어볼 네트워크 지식은 ‘robustness’ 입니다. 딥러닝 분야에서와 복잡계 네트워크 분야에서의 ‘robustness’는 모델의 강건함을 측정한다는 동일한 목적이 있으나, 어떤식으로 측정할지 기준치 사전분포 측정과 같은 요소들 때문에 약간 결이 다르다고 볼 수 있습니다. * ‘robustness’ , 딥러닝 분야에서는 training 데이터셋에 존재치않은 out-of-distribution 데이터를 inference 할 때 퍼포먼스가 얼마만큼
GraphOmakase
Examining graph neural networks for crystal structures: limitations and opportunities for capturing periodicity [https://arxiv.org/abs/2208.05039] material 산업에서 gnn 이 활용되고 있다는 사실 알고계실까요? 반도체 디자인을 위해 강화학습과 GNN을 결합하여 진행하는 시나리오도 있는데요. 반도체는 원자 배열에 따라 전하의 이동을 받는데, 원자 배열 또한 원자-원자 간 그래프 형태로
GraphOmakase
Anomaly Detection in Multiplex Dynamic Networks: from Blockchain Security to Brain Disease Prediction [https://openreview.net/pdf?id=UDGZDfwmay] * Anomaly detection with GNN 아이디어 입니다. brain , blockchain , 추천 , 협업 에서 발생하는 anomaly edge interaction 을 unsupervised manner 로 해결해본다 가 논문의 노벨티 라고 할 수 있겠습니다. * 저자는 3가지 문제를 제시합니다.
GraphOmakase
Scalable Graph Transformers for Million Nodes • 글 서두부터 graph transformer 와 graph neural network 의 차이점인 “whether is the resorting function the message or not” 을 언급하면서 이야기가 진행됩니다. • message passing 을 hopbyhop으로 진행하며 information resort 가 필요한 gnn 대비(local feature aggregation), all feature aggregation 이 가능한 graph transformer
GraphOmakase
TGL: A General Framework for Temporal GNN Training on Billion-Scale Graphs // APAN: Asynchronous Propagation Attention Network for Real-time Temporal Graph Embedding // Pay Attention to MLPs