GraphTravel
1. Graph Attention Network 구현 2. Amazon 상품 카테고리 예측하기 안녕하세요, GUG 여러분! 그래프 튜토리얼의 가이드 Erica에요🥁 6번째 여행에서는 GAT 모델을 다룰 거에요. GAT는 Transformer 모델처럼 Attention Mechanism을 활용하고, 그만큼 뛰어난 유용성과 범용성을 지니고 있답니다. 📢 가독성을 위해 본문에는 코드 전문을 임포트하지 않았어요. 튜토리얼 코드 전체를 한번에 실행해 볼 수 있는
GraphOmakase
KHAN: Knowledge-Aware Hierarchical Attention Networks for Accurate Political Stance Prediction [https://arxiv.org/pdf/2302.12126.pdf] Introduction 풍요로운 정보속에서 유의미한 정보에 대해 분별하는 기술이 핵심역량으로 되어가고 있는 요즘입니다. 과도한 정보가 오히려 독이 되어 무언가에 대해 판단할 때, 확신이 생길 때까지 정보들을 분석하느라 의사결정이 늦춰지는 경우가 발생하고 있습니다. 주방장 같은
GraphOmakase
On the initialization of graph neural networks [https://www.amazon.science/publications/on-the-initialization-of-graph-neural-networks] Introduction 딥러닝의 핵심은 label 이 학습됨에 따라, 그 변동되는 weight 를 어떻게 잘 관리하느냐 라고 할 수 있습니다. 이 관리하는 방법을 살펴보면 다양한데요. Epoch, intilization function, activation function, learning rate, optimizer 등 여러 파라미터들이 복합적으로 작용하며 weight를
GraphOmakase
DRew: Dynamically Rewired Message Passing with Delay [https://arxiv.org/pdf/2305.08018.pdf] Introduction MPNN(message passing neural network) , life-science 에서 주로 활용되는 그래프 딥러닝 아키텍쳐입니다. Message passing aggregation 을 변형시켜 task에 맞는 정보들을 update 할 수 있단 점에서 타 아키텍쳐들과 차이점을 보입니다. 다시 말해 , message passing function 을
GraphOmakase
A heterogeneous graph-based framework for scalable fraud detection [https://www.amazon.science/publications/a-heterogeneous-graph-based-framework-for-scalable-fraud-detection] Introduction 지능범죄의 수법이 고도화됨에 따라, 악의적 의도를 가진 사람들의 횡포가 날이 갈수록 심해지고 있습니다. 이를 사전에 방지하기 위해 오늘도 다양한 곳에서 많은 노력을 기울이고 있습니다. 다양한 곳을 특정하여 이야기해보면 바로 FDS라고 할 수 있는데요. 합법 패턴과
GraphOmakase
Linkedin Graph Database? (industrial session) 소셜 네트워크로 유명한 기업이죠 linkedin, ‘you may know this person’ 이라는 message 가 사용자로 하여금 이목을 끌어, 새로운 관계를 발굴하고 맺어주는 시스템이 핵심 기술이라 할 수 있습니다. 근데, 한번쯤 궁금하지 않으셨나요? 나와 ‘아는사람’ 의 ‘아는사람’ 그리고 ‘아는사람:*..n’ , higher-order relationship 을 실시간으로 어떻게 도출할까? 직관적으로
GraphOmakase
Link prediction for ex ante influence maximization on temporal networks [https://arxiv.org/pdf/2305.09965.pdf] Introduction SNS 다들 한번쯤은 사용해보셨을텐데요. 혹시 ‘언제 게시물을 포스팅해야 조회수와 같은 노출이 잘 될까?”라는 고민 해보시지 않으셨나요? 저는 어렸을 적 싸이월드에 다이어리 작성 , 일촌평 남김 과 같은 행위를 반복하며 자연스레 ‘학생들이 자주
GraphTravel
1. Graph Convolution Network 구현 2. Facebook 데이터셋으로 Link Prediction 좋아요 예측 모델 구현 안녕하세요, GUG 여러분! 그래프 튜토리얼의 가이드 Erica에요🥁 5번째 여행에서는 너무나도 중요하고 유명한 GCN 모델을 다룰 예정입니다. 이 아키텍처를 잘 알아야 하는 이유는, 추후 굉장히 많은 모델에 활용되는 Aggregation 개념이 여기서 처음으로 등장하기 때문이랍니다. 그럼 이제 Graph
GraphInterview
Poster Seminar overview 학산업계에서 그래프가 어떻게 활용되고 있는지 전달하는게 가장 큰 목표였습니다. 공간이 협소한것도 있었지만, 어떻게 그래프 가치를 공유할 수 있을까 라는 문제를 해결하기 위해 세션을 industry , academic session으로 나누어 진행했는데요. 대다수 참여자분들께서 굉장히 좋았다는 의견을 남겨주셔서 너무 뿌듯했습니다. GUG 2st seminar 동일하게 industry, academic session으로 나누어 진행할 예정이며, 추가로
GraphOmakase
FACTKG: Fact Verification via Reasoning on Knowledge Graphs [https://arxiv.org/pdf/2305.06590.pdf] Introduction FACT, 정보들에 대한 진위를 파악하기 위해 범세계적으로 각고의 노력을 기울이고 있는 요즘입니다. 사실진위 여부를 파악하기에는 주장에 대한 근거들을 추적하는게 범용적인 프로세스 인데요. 이 ‘근거’ 들은 저희가 어떻게 수집할 수 있을까요? 여러 방법들이 존재하겠지만, 본
GraphTravel
GraphOmakase
정보과학회 다녀온 후 다양한 인사이트를 얻었으나 그 중 단연 으뜸이였던건 바로 Efficient AI 였습니다. 학회 오전 오후 각각 세션을 모두 할애할 정도로 학계 그리고 산업계를 가리지않고 모두들 열광하고 있었습니다. Model 에 대량의 데이터를 ‘잘’ 학습 하는게 주된 관심사인거죠. 여기에서 ‘잘’ 학습한다 의 기준 및 중요하게 바라볼 지표는 다양하겠으나, 그중 딱