GraphOmakase
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,
GraphOmakase
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
GraphOmakase
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
GraphOmakase
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
GraphOmakase
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