Place for sharing the trend and foundation graph technology
GraphOmakase
DRew: Dynamically Rewired Message Passing with Delay [https://arxiv.org/pdf/2305.08018.pdf] Introduction MPNN(message passing neural network) , life-science 에서 주로 활용되는 그래프 딥러닝 아키텍쳐입니다. Message passing aggregation 을 변형시켜 task에 맞는 정보들을 update 할 수 있단 점에서 타 아키텍쳐들과 차이점을 보입니다. 다시 말해 , message passing function 을
GraphOmakase
A heterogeneous graph-based framework for scalable fraud detection [https://www.amazon.science/publications/a-heterogeneous-graph-based-framework-for-scalable-fraud-detection] Introduction 지능범죄의 수법이 고도화됨에 따라, 악의적 의도를 가진 사람들의 횡포가 날이 갈수록 심해지고 있습니다. 이를 사전에 방지하기 위해 오늘도 다양한 곳에서 많은 노력을 기울이고 있습니다. 다양한 곳을 특정하여 이야기해보면 바로 FDS라고 할 수 있는데요. 합법 패턴과
GraphOmakase
Linkedin Graph Database? (industrial session) 소셜 네트워크로 유명한 기업이죠 linkedin, ‘you may know this person’ 이라는 message 가 사용자로 하여금 이목을 끌어, 새로운 관계를 발굴하고 맺어주는 시스템이 핵심 기술이라 할 수 있습니다. 근데, 한번쯤 궁금하지 않으셨나요? 나와 ‘아는사람’ 의 ‘아는사람’ 그리고 ‘아는사람:*..n’ , higher-order relationship 을 실시간으로 어떻게 도출할까? 직관적으로
GraphOmakase
Link prediction for ex ante influence maximization on temporal networks [https://arxiv.org/pdf/2305.09965.pdf] Introduction SNS 다들 한번쯤은 사용해보셨을텐데요. 혹시 ‘언제 게시물을 포스팅해야 조회수와 같은 노출이 잘 될까?”라는 고민 해보시지 않으셨나요? 저는 어렸을 적 싸이월드에 다이어리 작성 , 일촌평 남김 과 같은 행위를 반복하며 자연스레 ‘학생들이 자주
GraphOmakase
FACTKG: Fact Verification via Reasoning on Knowledge Graphs [https://arxiv.org/pdf/2305.06590.pdf] Introduction FACT, 정보들에 대한 진위를 파악하기 위해 범세계적으로 각고의 노력을 기울이고 있는 요즘입니다. 사실진위 여부를 파악하기에는 주장에 대한 근거들을 추적하는게 범용적인 프로세스 인데요. 이 ‘근거’ 들은 저희가 어떻게 수집할 수 있을까요? 여러 방법들이 존재하겠지만, 본
GraphOmakase
정보과학회 다녀온 후 다양한 인사이트를 얻었으나 그 중 단연 으뜸이였던건 바로 Efficient AI 였습니다. 학회 오전 오후 각각 세션을 모두 할애할 정도로 학계 그리고 산업계를 가리지않고 모두들 열광하고 있었습니다. Model 에 대량의 데이터를 ‘잘’ 학습 하는게 주된 관심사인거죠. 여기에서 ‘잘’ 학습한다 의 기준 및 중요하게 바라볼 지표는 다양하겠으나, 그중 딱
GraphOmakase
GUG admitted by NIPA !!! GUG became the official community !!! GraphUserGroup 이 nipa 에서 주관하는 공개 SW official community 로 등록되었습니다. 이제 공식적으로 하나의 커뮤니티로 인정받게 되었습니다. 더불어서 공간지원 , 커뮤니티 확대 마케팅 비용 지원 등과 같이 다방면으로 혜택을 받을 수 있게되어, 더욱 활발하게 여러분들과 함께 그래프 기술 교류가 가능할것으로 기대되네요. 평소
GraphOmakase
이번주차 graph travel preview 입니다. node classification 에 중점을 두었기에 평소에 이 부분에 대해 궁금하셨던분들에게 추천합니다. Erica 님의 큐레이션이 더해져 있기에, 재밌게 공부하실 수 있을겁니다 :) Random Walk Node Embedding Deep Walk (Word2Vec - Skip-gram) Node Classification Is Rewiring Actually Helpful in Graph Neural Networks? [https://arxiv.org/pdf/2305.19717.
GraphOmakase
Graph Travel 1화, members only [www.graphusergroup.com/graph-tutorial-1/] Graph Travel 1화가 막을 열었습니다. Preview 는 다음과 같습니다. 1. Graph & Subgraph & Degree 2. Undirected Graph & In-degree & Out-degree 3. Weight & Connectivity & Centrality 4. Density & Adjacency Matrix 코드와 함께 Graph 기초 개념을 다룬 튜토리얼이다보니 누구나
GraphOmakase
[GUG ad] 다음주부터 GUG community builder Erica 님의 그래프 튜토리얼이 진행됩니다. 매 주, 기초부터 실제 애플리케이션까지 단계별로 배워나가는 튜토리얼 시리즈를 진행하니 많은 관심을 부탁드립니다! [members only] Graph Travel 0화 Link Topological Deep Learning: Going Beyond Graph Data [https://arxiv.org/pdf/2206.00606.pdf] Why TDA? 라는 질문에 명쾌하게 답을
GraphOmakase
A Generalization of Transformer Networks to Graphs [https://arxiv.org/pdf/2012.09699.pdf] Introduction Transformer 의 야성은 어디까지일까요. 가늠하기가 힘드네요. 모든 데이터에서 dominant 한 모델 Transformer, 본 논문에서는 Transformer 구조를 graph 에 활용하기 위한 extended version 을 제안합니다. ** 본 논문은 'CS6208’ 수업을 진행하시는 Xavier Bresson 교수님께서 publish 한
GraphOmakase
💡오마카세 300명을 목전에 두고 있네요. 여러분들의 관심 덕분이라 생각합니다. 감사합니다. 확장성에 힘입어 콘텐츠 다각화를 위해 에디터 4분을 모셨습니다. 더욱 다양하고 양질의 정보로 찾아뵐 수 있도록 노력하겠습니다. Context-Aware Knowledge Graph Chatbot With GPT-4 and Neo4j [https://medium.com/neo4j/context-aware-knowledge-graph-chatbot-with-gpt-4-and-neo4j-d3a99e8ae21e] Knowledge graph 를 통해 어떻게 Chatgpt 성능을 향상할 수 있을까요 ? 본