Place for sharing the trend and foundation graph technology
GraphOmakase
링크드인에서 Graph 를 활용하는 방식 (1) - Scaling Contextual Conversation Suggestions Over 500 Million Members 정이태 Scaling Contextual Conversation Suggestions Over LinkedIn’s GraphLinkedIn LogoAuthored byHaiyang Liu 안녕하세요 정이태입니다. 오늘은 그래프를 활용하는 대표 기업들 중 하나죠. 링크드인에서 그래프를 활용해 추천시스템 개선하는 방식에 대해 이야기해보려고합니다. 링크드인을 통해 직업에 대한 정보를 교류하고
GraphOmakase
Position: Topological Deep Learning is the New Frontier for Relational Learning ICML 2024 배지훈 paper link : https://openreview.net/forum?id=Nl3RG5XWAt Keywords Topological deep learning (TDL), Topological data analysis (TDA), Survey * 이번 주 그래프 오마카세부터는 조금 새로운 개념의 토픽을 가지고 GUG 구독자 분들께 제공해 드리고자 합니다. 'Topology'
GraphOmakase
Predicting isocitrate dehydrogenase mutation status in glioma using structural brain networks and graph neural networks. MICCAI 2021 배지훈 paper link Keyword Brain tumor, IDH mutant Glioma prediction, Structural Brain Network, Graph representation learning, Interpretable GNN Summary * 이번 주 소개해드릴 논문에는 IDH mutational 'Glioma'의 돌연변이 성질을 예측하는 구조적
GraphOmakase
A joint Graph and Image Convolution Network for Automatic Brain Tumor Segmentation BrainLes 2021 paper link official code Keywords Brain tumor segmentation, 3D supervoxel clustering, Graph representation learning, CNN refinement Summary * 이번에 소개해드릴 논문은 메디컬 이미징 뇌종양 분할 챌린지 (Brain tumor segmentation challenge, BRAT) 2021에 투고된 것으로, 저번에 소개해드린 Supervoxel-based
GraphOmakase
Multi-class Brain Tumor Segmentation using Graph Attention Network paper link Keywords Graph Attention Network, Brain tumor segmentation, Supervoxel clustering Summary * 뇌 종양 분할 문제에서의 그래프 활용도 역시 많은 연구자들로부터 관심을 받고 있습니다. 종양 클래스 별 고유한 불규칙 형태, Curvature 등과 같은 기하학적 특징 정보들을 그래프로 인코딩하여 학습시켰을 때 인상적인 결과를
GraphOmakase
안녕하세요 여러분! 이번주말에 기다리고 기다리던 GUG 세미나가 개최됩니다! 이번 세미나는 GraphRAG에 대한 관심이 커짐에따라, Graph의 품질과 연관성이 깊은 온톨로지를 메인 토픽으로 세미나가 진행됩니다. 추가로, Neo4j 를 활용한 DB 설계 그리고 Graph Generation Model 중 하나인 Diffusion model 계열의 트렌드에 대해 알아보며 실무와 학계 경계없는 알찬 주제들로 구성해보았습니다. 그래프에 대한 트렌드를
GraphOmakase
Uncovering Implicit Mechanisms in Graph Contrastive Learning NIPS 2023 배지훈 paper link official code Keywords Graph Contrastive Learning (GCL), Implicit Regularization Mechanism, ContraNorm Summary * 위 저자들은 Visual domain에서 Graph Contrastive Learning (GCL)을 적용한 연구들 사이의 공통적 사실을 제시합니다. 그리고 다른 Visual Contrastive Learning (VCL)과 차별화된 GCL만의 특성을 폭넓게
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