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
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
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
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
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
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
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
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
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
GraphOmakase
Affordable AI Assistants with Knowledge Graph of Thoughts paper link : https://arxiv.org/abs/2504.02670 * 지식 그래프(KG)와 LLM 추론을 통합하는 혁신적인 AI 어시스턴트 아키텍처, KGot (Knowlede Graph of Thoughts)를 소개하는 논문을 전달해드리고자 합니다. 최근 LLM 논문에서 다양하게 찾아볼 수 있는 그래프, 특히 KG의 강세가 크게 체감되는
* 안녕하세요, 독자 여러분들. 날씨가 많이 풀려서 이제야 봄이 온 것 같은 기분이 듭니다. 날씨가 풀릴 때에 맞추어 어느덧 4월 마지막 주차 오마카세를 발행하게 되었는데요. * 이번주는 3곳의 유명한 기업 사이트에서 공개한 그래프 관련한 블로그를 공유드리고, 내용을 가볍게 정리해서 전달해드릴까 합니다. 관심 있으신 독자 여러분들께서 직접 사이트에 방문하셔서 읽어보시고 많은 인사이트 얻어가셨으면
GraphOmakase
Graphcode : Learning from multiparameter persistent homology using graph neural networks paper link : https://arxiv.org/abs/2405.14302 * 지속성 호몰로지(Persistent Homology)라는 개념과 그래프 이론과의 밀접한 관련에 정말 관심이 많습니다. "어떻게 데이터 구조의 지속성 (persistence) 특징을 그래프로 표현하여 신경망 학습을 효율적으로 디자인할 수 있을까?" 가 저의 최근
GraphOmakase
On Vanishing Gradients, Over-Smoothing, and Over-Squashing in GNNs: Bridging Recurrent and Graph Learning paper link : https://arxiv.org/abs/2502.10818 * 오마카세에서 여러번 다루었던 주제로, 그래프 신경망의 대표 학습 메커니즘인 메세지 전달 방법의 한계점을 심층적으로 분석하는 논문을 가볍게 리뷰해보고 해당 논문에서 강조하는 핵심 인사이트를 전달해드리고자 합니다. 좋은 참고가 되었으면 좋겠습니다.
GraphOmakase
Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting paper link : https://arxiv.org/abs/2206.09113 * 참여 프로젝트 중 시계열 데이터 분석 관련하여 그래프를 활용해보고자 하는 좋은 기회를 부여받아서, 해당 도메인 상에서 정말 유명한 위 논문을 읽고 요약하여 여러분들께 전달해드려보고자 합니다. * 다변량 시계열 (Multivariate Time Series) 예측을
GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation https://arxiv.org/pdf/2502.01113 GFM-RAG 리뷰입니다. GraphRAG 개념이 익숙하신 분들이라면, 본 논문 컨셉을 이해하기에 수월하실거라 생각됩니다. GraphRAG의 초반부인 Knowledge graph 만드는 부분과 후반부 Retrieval 결과를 Prompt 에 넣어 Decoding 하는 것은 유사하나 가운데 retrieval 단계에서 GDBMS를 활용하는게 아닌, GNN을 이용한다는게
GraphOmakase
A Generalization of the Persistent Laplacian to Simplicial Maps paper link : https://arxiv.org/abs/2302.03771 Key Contents * What is Simplicial Maps? * What is Persistent Laplacian? * Persistent Laplacian for Simplicial Maps (Generalization) * 이번 주는 오랜만에 토폴로지 관점에서 그래프 상의 고차 관계성 (Higher-order relationship)을 분석하고 최적화하는 방법 관련한 이론적
GraphOmakase
Vision GNN (ViG) 연구 흐름 및 발전 요약 및 핵심 정리 목차 * Vanilla Vision GNN (Vanilla ViG) * Vision HGNN * MobileViG & V2 * GreedyViG * WiGNet * 이번 주 오마카세에서는 이미지 분류, 객체 탐지 및 분할 등과 같은 다양한 컴퓨터 비전 태스크에서 GNNs의 적용 가능성을 입증한 기여도 높은 논문들과 학습 메커니즘의 발전 및