GraphOmakase
Co-Modality Graph Contrastive Learning for Imbalanced Node Classification NIPS 2022 배지훈 paper link official code Keywords Graph Contrastive Learning (GCL), Co-Modality Graph Contrastive Learning, Inter modality GCL * 비라벨 데이터로부터 생성된 인스턴스 쌍들을 대조하여더 나은 표현학습 모델을 훈련시키기 위한 목적의 대조 학습 (Contrastive learning) 방법들은 널리 잘 알려진 방법입니다. 꽤 최근
GraphOmakase
Graph Structure from Point clouds : Geometric Attention is All You Need. NIPS 2022 배지훈 paper link official code Keywords Graph representation, Point cloud classification, Dynamic Neighborhood Learning, Geometric Attention The question of how to produce a graph structure in these problems is usually treated as a matter of heuristics, employing
GraphOmakase
Inferring Point Cloud Quality via Graph Similarity TPAMI 2020 작성자 : 배지훈 link : https://arxiv.org/abs/1901.09993 Keywords Point cloud Quality Assessment, Human visual system (HVS), Graph Signal Processing (GSP), GraphSIM Summary * 인간의 시각 시스템 (Human Visual System, HVS) 기반 인지 과정 (Perception process)을 기반으로, 포인트 클라우드 품질
GraphOmakase
A Generalized Neural Diffusion Framework on Graphs AAAI 2023 작성자 : 배지훈 paper link Keywords Generalized Graph Diffusion Process, High-order relationship, Monophily property Background * Graph Diffusion 논문들을 읽어보면, 중요하게 언급하고 있는 공통적인 사실은 그래프 학습 메커니즘과 확산 방정식 사이의 긴밀한 관계성이 존재한다는 것이며, 실제로 Message Passing을 기반으로 중심 노드의 정보 확산을
GraphOmakase
Diffusion Improves Graph Learning Neurlips 2019 paper link official code Keywords Graph Convolution, Diffusion Process, Personalized PageRank Background * Spatial GNNs의 기본 학습 메커니즘으로 많이 활용되는 Message Passing은 인접 이웃들과의 관계만을 고려하여 중심 노드의 정보를 업데이트 하는 방식으로 진행됩니다. * 단순한 학습 메커니즘의 유용성과 달리 먼 거리의 노드 정보를 받아 오는 데에는
GraphOmakase
Simple Spectral Graph Convolution ICLR 2021 paper link official code Keywords Simple Graph Convolution, Markov Diffusion Kernel Background * GCN (kipf et al.)이 수많은 Graph Convolution 정의의 바탕이 되고 있으며, Variant networks의 발전이 빠르게 이루어지고 있는 사실은 다들 잘 아시고 계실 것입니다. * 기존 Spectral Graph Convolution 정의를 Approximation하여 Operation process를
GraphOmakase
[광고] 이번주 오마카세는 GUG 좋은 소식 그리고 다가올 GraphTalk 연사자 모집에 관해 간단한 광고로 시작하겠습니다. 1.[GUG 전용 챗봇 Graph Protocol 를 활용해보실분을 구합니다.] 작년에 이어 과기정통부 OpenUp에서 진행하는 커뮤니티 지원사업에 GUG가 2년연속 선정되었습니다. 모두 여러분들 덕이라 생각합니다. 엄격한 서류심사와 발표심사를 거치는 동안 강력하게 어필했던해올 해 계획 중 하나가 바로
GraphOmakase
Graph Convolutional Networks using Heat Kernel for Semi-supervised Learning 배지훈 IJCAI 2020 link : https://arxiv.org/abs/2007.16002 code : https://github.com/Eilene/GraphHeat Keywords Semi-supervised Learning, Spectral graph convolution, Graph Heat Kernel Background * 그래프 컨볼루션의 정의를 한번 다시금 생각해봅시다. 그래프 신호 처리(Graph Signal Processing, GSP)에서 파생된
GraphOmakase
Exploring the Devil in Graph Spectral Domain for 3D Point Cloud Attacks ECCV 2022 paper link official code Keywords Point Cloud Classification, Graph Signal Perturbation, Graph Fourier Transform Background * Graph Signal Processing (GSP)을 들어보신 적이 있으신가요? 최근 Graph domain에서 잘 활용되고 있진 않으나 Graph Spectral Theorem으로부터 Graph Convolutional Networks(
GraphOmakase
기다려주셔서 감사합니다. 다시 한 번 같이 한 번 Graph와 생물에 관련된 논문을 읽어보아요. 김지원 Graph Structured Neural Network는 생물학적 자극에 대한 변화를 모델링 하기에 적합하다. 단백질 및 분자 요소들이 생물학적 경로와 유전자 발현 메커니즘을 시간과 공간적 배경에서 조절을 하는 현상을 의미한다. 이미지를 다루는 CNN는 서로 가까운 픽셀들을 aggregation와 같은 방식으로
GraphOmakase
Semantic Segmentation for Point Cloud Scenes via Dilated Graph Feature Aggregation and Pyramid Decoders AAAI 2022 배지훈 paper link Keywords Pointcloud Semantic Segmentation, Sparse-KNN Search, Dilated Graph Convolution, Pyramid Decoder Introduction * 수많은 포인트 클라우드 문제에서 그래프 표현 방법을 활용하는 많은 연구들은 널리 잘 알려진 K-nearest neighbors (KNN) 알고리즘을 많이 활용하고
GraphOmakase
Knowledge-inspired 3D Scene Graph Prediction in Point Cloud NIPS 2021 배지훈 paper link Keywords Scene Graph Prediction, Knowledge Graph, Meta-embedding via Graph Auto-Encoder Introduction * 요즘 LLM에 대한 열풍이 엄청난 것 같습니다. 그런만큼 다음 도메인에 대한 문제점을 해결하기 위한 방법론들 또한 큰 관심을 받고, 엄청난 아이디어들 또한 쏟아지고 있습니다. * 특히, LLM의