GraphTravel
1. Random Walk 2. Node Embedding 3. Deep Walk (Word2Vec - Skip-gram) 4. Node Classification 반가워요, GUG 여러분! 그래프 튜토리얼의 가이드 Erica 입니다✨🚀 우리는 저번 시간에, Graph를 구성하는 개념 요소들을 만나봤어요. 그 과정에서 edge와 node와 연관되어 더욱 다채롭게 그래프를 표현할 수 있게 해주는 특성들을 배웠죠. 어떤 곳들을 여행했었냐면... 어디 보자,
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
GraphTravel
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
GraphTravel
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