Introducing GraphQA: An Agent for Asking Graphs Questions Introducing GraphQA: An Agent for Asking Graphs Questions | CatioGraphQA is Catio’s new open-source agent for natural-language questions over architecture graphs, fusing LLMs with graph algorithms to deliver fast, structure-aware answers for dependencies, flows, and system reasoning.catio-logo-blueIman MakaremiGitHub - catio-tech/graphqa:
GraphLand: Evaluating Graph Machine Learning Models on Diverse Industrial Data GraphLand: Evaluating Graph Machine Learning Models on Diverse Industrial DataAlthough data that can be naturally represented as graphs is widespread in real-world applications across diverse industries, popular graph ML benchmarks for node property prediction only cover a surprisingly narrow set
Flexible GraphRAG: a configurable open source framework for GraphRAG Blog link : https://integratedsemantics.org/ Github : https://github.com/stevereiner/flexible-graphrag * 이번 주 오마카세는 'Open Source Integrated AI and Semantic Tech' 블로그에서 설명하는 통합된 오픈소스 플랫폼 관련한 소식을 전달해드리고자 합니다. 최근 포스트에서는 문서 처리, 지식 그래프 구축, RAG 및
1.광고 안녕하세요 정이태입니다.오랜만에 10월 23일 목요일 저녁에 GUG 온라인 세미나가 예정되어 있습니다. 카이스트 김재철AI대학원 신기정 교수님 연구실 소속 김선우 연구원님과 하이퍼 그래프 이론부터 응용까지 라는 주제로 진행할 예정이며, 저또한 모더레이터 겸 요새 GraphRAG 트랜드부터 왜 HyperGraphRAG가 나오고 있는지 산업계 관점에서 생각을 공유드릴 예정이오니 관심있는 분들은 참여하셔서 본인 연구나
Topology of Reasoning: Understanding Large Reasoning Models through Reasoning Graph Properties Topology of Reasoning: Understanding Large Reasoning Models through Reasoning Graph PropertiesRecent large-scale reasoning models have achieved state-of-the-art performance on challenging mathematical benchmarks, yet the internal mechanisms underlying their success remain poorly understood. In this work, we introduce the notion
Are Large Language Models Good Temporal Graph Learners? Youtube link : https://www.youtube.com/watch?v=jmCwOQX9Ank * 이번 주 오마카세는 TGL (Temporal Graph Learning) 세미나에서 대규모 언어 모델(LLM)이 관계형 데이터베이스에서 어떻게 딥러닝을 수행하는지에 초점을 맞추어 발표된, 기존의 시계열 그래프 학습 방법론에 LLM을 접목하여 새로운 가능성을 탐색한 '대규모
GraphMETRO: Mitigating Complex Graph Distribution Shifts via Mixture of Aligned Experts GraphMETRO: Mitigating Complex Graph Distribution Shifts via Mixture of Aligned ExpertsGraph data are inherently complex and heterogeneous, leading to a high natural diversity of distributional shifts. However, it remains unclear how to build machine learning architectures that generalize to
Towards Quantifying Long-Range Interactions in Graph Machine Learning: a Large Graph Dataset and a Measurement Towards Quantifying Long-Range Interactions in Graph Machine Learning: a Large Graph Dataset and a MeasurementLong-range dependencies are critical for effective graph representation learning, yet most existing datasets focus on small graphs tailored to inductive tasks,
No Metric to Rule Them All: Toward Principled Evaluations of Graph-Learning Datasets No Metric to Rule Them All: Toward Principled Evaluations of Graph-Learning DatasetsBenchmark datasets have proved pivotal to the success of graph learning, and good benchmark datasets are crucial to guide the development of the field. Recent research has
Tensor-view Topological Graph Neural Networks paper link :https://arxiv.org/abs/2401.12007 official code : https://github.com/TaoWen0309/TTG-NN?utm_source=catalyzex.com * 저번 주 오마카세로 전해드렸던 텐서 연산의 그래픽 이해를 바탕으로, 이번 주 가볍게 소개해드릴 논문은 텐서 학습을 통합하여 로컬 및 글로벌 레벨에서 Tensor-view Topology 정보와 Tensor-view Graph의
Graph Tensor Networks: An Intuitive Framework for Designing Large-Scale Neural Learning Systems on Multiple Domain paper link : https://arxiv.org/abs/2303.13565 * 현재 토폴로지 신경망의 학습 메커니즘을 설계하는 과정에서 매우 중요한 텐서 연산에 대한 이해를 크게 도와준 논문 하나를 여러분들께 소개해드리려고 합니다. 그래프 구조를 활용하여 다양한 신경망의 텐서 연산
A General Graph Spectral Wavelet Convolution via Chebyshev Order Decomposition paper link : https://arxiv.org/abs/2405.13806 official code : https://github.com/liun-online/WaveGC * 그래프 스펙트럼 컨볼루션은 그래프 신호처리 이론을 기반으로 그래프 필터링, 데이터 분석 등의 넓은 분야에서 활용되고 있습니다. 다음은 그래프 스펙트럼 변환을 위한 신호 기저 (고유벡터) 선택
GraphOmakase
Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification paper link : https://arxiv.org/abs/2506.16110 official code : https://github.com/Jinx-byebye/GOKU * ICML 2025 논문 리스트업 중 그래프 스펙트럼 관점에서 오버스쿼싱 문제를 해결하는 새로운 Graph Rewiring 논문을 가볍게 리뷰 전달을 해드리고자 합니다. 국내 그래프 연구에서 빼놓을 수 없는
GraphOmakase
Positional Encoding meets Persistent Homology on Graphs paper link : https://arxiv.org/abs/2506.05814 official code : https://github.com/Aalto-QuML/PIPE * 이번 주 오마카세에서는 그래프 표현 학습에서 중요한 모듈로써 활용되고 있는 '위치 인코딩(Positional Encoding, PE)'에 새로운 그래프 위상을 활용하는 점에서 제안된 논문을 소개해드리고자 합니다. * 이웃
GraphOmakase
Graph Representational Learning: When Does More Expressivity Hurt Generalization? paper link : https://arxiv.org/abs/2505.11298 official code : https://github.com/RPaolino/GenVsExp * 그래프 신경망(GNN)은 구조화된 데이터 학습에 매우 유용한 도구로 자리 잡았지만, GNN의 표현력(expressivity)과 실제 예측 성능(predictive performance) 사이의 관계는 여전히 명확하게 이해되지
GraphOmakase
On Measuring Long-Range Interactions in Graph Neural Networks paper link : https://arxiv.org/abs/2506.05971 official code : https://github.com/BenGutteridge/range-measure?utm_source=catalyzex.com * 이번주 오마카세에서는 오랜만에 고질적인 메세지 전달 메커니즘의 한계인 장거리 종속성(long-range dependency) 포착 문제를 해결하는 새로운 방법론을 제안한 논문을 소개해드리고자 합니다. * 다들 잘
GraphOmakase
안녕하세요 GUG입니다. 어느덧 내일 GUG 7번째 세미나가 진행됩니다. 5회차 세미나부터 늘 '온톨로지' 라는 키워드를 가지고 세미나를 진행했는데, 유독 이번 세미나는 관심과 신청이 더 많았던게 느껴졌네요. 아마 팔란티어 기업의 활약이 주된 이유이지 않을까 싶네요. 좋은 현상이라 생각합니다. 그래프란 분야가 온톨로지 덕분에 빛을 발하는 시기가 되는거 같아 더더욱 열심히 하게되는
GraphOmakase
Boltz-2 — Towards Accurate and Efficient Binding Affinity Prediction blog link : https://boltz.bio/boltz2 official code : https://github.com/jwohlwend/boltz * 이번 주 그래프 오마카세는 신약 AI 도메인에서의 새롭고 짚고 넘어가기 좋은 내용들을 찾아 전달해드리고자 합니다. 관심 있으신 독자 여러분들께 많은 도움이 되셨으면 좋겠습니다. * MIT와 AI 신약개발 대표기업으로 자리잡은 Recursion이
GraphOmakase
Addressing the Scarcity of Benchmarks for Graph XAI paper link : https://arxiv.org/abs/2505.12437 official code : https://github.com/OpenGraphXAI/benchmarks * 구조화된 데이터 학습의 사실상 표준 모델이 된 그래프 신경망에 대한 관심은 예전에 비해 많이 높아졌지만, 실제 어플리케이션에 배포되는 데 어려움이 존재합니다. 해석 가능성의 부족이라는 딥러닝 모델의 꼬리표가
GraphOmakase
Introducing KumoRFM: A Foundation Model for In-Context Learning on Relational Data paper link : https://kumo.ai/research/kumo_relational_foundation_model.pdf blog link : https://kumo.ai/company/news/kumo-relational-foundation-model/ * 저저번주 오마카세에서 소개해드렸던 관계형 그래프 트랜스포머(Relational Graph Transformer)에 관련한 블로그 글에 이어, KumoAI에서 관계형 데이터베이스를 위한 그래프 기반
GraphOmakase
이벤트 링크 : https://lu.ma/69ymean7 한정된 인원들만 참여가 가능하다보니, 신상이 불분명하신분들은 부득이하게 참여가 어려우실 수도 있습니다. 신청시에, 되도록 소속을 명확히 기입해주시면 감사하겠습니다. 추가로 정말 꼭 참여를 해보고 싶다 하신분들은 graphusergroup@gmail.com 으로 메일을 전달해주시면, 우선으로 자리를 배치해보도록 하겠습니다. 많은 참여 부탁드리겠습니다. Plexus : Taming Billion-edge Graphs with 3D Parallel
GraphOmakase
드디어 GUG 7회차 세미나가 개최됩니다. 어렵사리 연사분들, 장소를 대관하느라 오래걸렸네요. 오마카세 식구분들에게 우선 이 소식을 전달하고 싶어 선공개합니다. 한정된 인원들만 참여가 가능하다보니, 신상이 불분명하신분들은 부득이하게 참여가 어려우실 수도 있습니다. 신청시에, 되도록 소속을 명확히 기입해주시면 감사하겠습니다. 추가로 정말 꼭 참여를 해보고 싶다 하신분들은 graphusergroup@gmail.com 으로 메일을 전달해주시면, 우선으로 자리를
GraphOmakase
Graph Learning Will Lose Relevance Due To Poor Benchmarks paper link : https://arxiv.org/pdf/2502.14546 * ICLR 2025의 Position paper로 제출된 제목부터 상당히 흥미로운 주제를 다루는 논문을 이번주 오마카세로 소개해드리고자 합니다. 그래프 거장 선생님들께서 대다수 참여하신 프로젝트인 만큼, 독자 여러분들께서는 다음 논문을 꼭 정독해보시는 것을 추천드립니다. * 그래프 학습은 2022년
AI Agents on Knowledge Graphs to answer multihop questions blog link : https://www.dynocortex.com/news-and-blog/ai-agents-on-knowledge-graphs-to-answer-multihop-questions/ youtube link : https://youtube.com/watch?v=1rLBec8Kcq8&si=UsLZoweyNotrJgmz * 그래프 중심 생성형 AI 소프트웨어를 제공하는 Dynocortex 라는 기업에 대해 들어보신 적 있으신가요? 저도 최근에 알게 되었는데요. 회사 설명을 읽어보면 AI Reliability