Place for sharing the trend and foundation graph technology
GraphOmakase
Topology of Reasoning: Understanding Large Reasoning Models through Reasoning Graph Properties Topology of Reasoning: Understanding Large Reasoning Models through Reasoning Graph PropertiesRecent large-scale reasoning models have achieved state-of-the-art performance on challenging mathematical benchmarks, yet the internal mechanisms underlying their success remain poorly understood. In this work, we introduce the notion
GraphOmakase
Are Large Language Models Good Temporal Graph Learners? Youtube link : https://www.youtube.com/watch?v=jmCwOQX9Ank * 이번 주 오마카세는 TGL (Temporal Graph Learning) 세미나에서 대규모 언어 모델(LLM)이 관계형 데이터베이스에서 어떻게 딥러닝을 수행하는지에 초점을 맞추어 발표된, 기존의 시계열 그래프 학습 방법론에 LLM을 접목하여 새로운 가능성을 탐색한 '대규모
GraphOmakase
GraphMETRO: Mitigating Complex Graph Distribution Shifts via Mixture of Aligned Experts GraphMETRO: Mitigating Complex Graph Distribution Shifts via Mixture of Aligned ExpertsGraph data are inherently complex and heterogeneous, leading to a high natural diversity of distributional shifts. However, it remains unclear how to build machine learning architectures that generalize to
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