Place for sharing the trend and foundation graph technology
GraphOmakase
Examining graph neural networks for crystal structures: limitations and opportunities for capturing periodicity [https://arxiv.org/abs/2208.05039] material 산업에서 gnn 이 활용되고 있다는 사실 알고계실까요? 반도체 디자인을 위해 강화학습과 GNN을 결합하여 진행하는 시나리오도 있는데요. 반도체는 원자 배열에 따라 전하의 이동을 받는데, 원자 배열 또한 원자-원자 간 그래프 형태로
GraphOmakase
Anomaly Detection in Multiplex Dynamic Networks: from Blockchain Security to Brain Disease Prediction [https://openreview.net/pdf?id=UDGZDfwmay] * Anomaly detection with GNN 아이디어 입니다. brain , blockchain , 추천 , 협업 에서 발생하는 anomaly edge interaction 을 unsupervised manner 로 해결해본다 가 논문의 노벨티 라고 할 수 있겠습니다. * 저자는 3가지 문제를 제시합니다.
GraphOmakase
Scalable Graph Transformers for Million Nodes • 글 서두부터 graph transformer 와 graph neural network 의 차이점인 “whether is the resorting function the message or not” 을 언급하면서 이야기가 진행됩니다. • message passing 을 hopbyhop으로 진행하며 information resort 가 필요한 gnn 대비(local feature aggregation), all feature aggregation 이 가능한 graph transformer
GraphOmakase
TGL: A General Framework for Temporal GNN Training on Billion-Scale Graphs // APAN: Asynchronous Propagation Attention Network for Real-time Temporal Graph Embedding // Pay Attention to MLPs
GraphOmakase
Sequential Recommendation System 카카오 서비스 적용기 // Motifs-based Recommender System via Hypergraph Convolution and Contrastive Learning // Mining Social-Network Graphs
GraphOmakase
1. Giant higher-ordre component 가 정말 dynamics 에 영향을 미칠까요 ? // 2. scalable GNN 의 대안 중 하나 KuzuDB에서 어떻게 이를 다룰지에 대해 알아봅니다. // 3. Jax vs. Pytorch 과연 large graph data를 학습할땐 뭐가 좋을까요?!
GraphOmakase
review keyword 1. hypergraph application 2. Positional encoding with Graph representation learning 3. expressive-power of graph checking experiment
GraphOmakase
GNN popular booms are coming [그래프 지식 공유를 함께하실 분들을 구합니다.] 봄이 다가온지가 엊그제 같은데 벌써 여름이 다가옴을 한낮의 더위로 느끼고 있네요. 이와 비슷하게 혹시 여러분들도 GNN 붐이 다가오고 있음을 느끼고 계실까요? 첨부드린 사진의 수치와 같이 2022,2023(twitter @xbresson) 각각 topic keyword 를 비교한 차트를 보시면 눈에 띄게 graph
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