Place for sharing the trend and foundation graph technology
GraphOmakase
PU-GCN: Point Cloud Upsampling using Graph Convolutional Networks (CVPR 2021) 배지훈 Paper link official code keyword : Point Cloud Upsampling, Graph Convolution, NodeShuffle, Inception DenseGCN [Content] Introduction * 포인트 클라우드의 기하학적 구조정보를 포착하고, 포인트 사이의 관계정보를 학습하는 그래프 신경망을 활용하여, 다양한 포인트 클라우드 분석 및 처리 분야에서 활발한 연구들이 진행되고 있습니다. * 이번에
GraphOmakase
GNN4DM: A Graph Neural Network-based 김지원 [Content] subject : method to identify overlapping functional disease modules keyword : #gene_interpretation #GraphNeuralNetwork #GNN 사이트 🔗: GNN4DM: A Graph Neural Network-based method to identify overlapping functional disease modules 호기심 많은 웡카: 이 논문을 왜 오늘 오마카세에 들고 오신걸까요? 나: 건강해지는 초콜릿은 무엇일지 궁금하네요. 저는 질병과
GraphOmakase
H2-FDetector: A GNN-based Fraud Detector with Homophilic and Heterophilic Connections [Paper Info] * PaperLink * YoutubeLink [keyword] * imbalancedData, FraudDetection ,Heterophily [Content] 지금 이 순간에도, 사기꾼들은 선량한 시민들을 대상으로 악의적으로 재화를 편취하기 위한 사기 수법을 개발하고 시행하고 있을 것으로 생각됩니다. 특히, 온라인 채널의 발달로 여러 플랫폼을 통한 상호교류가 증가하면서, 오프라인 대비하여 온라인 사기
GraphOmakase
Graph interview 1번째 그래프 인터뷰, 이진호 교수님. Graph interview 소개 * 국내ㆍ외 그래프 석학분들과 현업분들의 귀중한 인사이트를 공유하자는 취지로 기획하게 된 프로젝트입니다. * 이번 인터뷰 대상자는 서울대 이진호 교수님입니다.[bio] * 날짜는 2월 초중순 정도로 예상합니다. * 채널은 유튜브를 통해 실시간 중계할 예정입니다.녹화본 공유 예정이나, 편집으로 몇몇 부분이 생략될 수 있습니다. * 이런분들이 함께
GraphOmakase
DisoFLAG: accurate prediction of protein intrinsic disorder and its functions using graph-based interaction protein language model paperlink keyword * #단백질언어모델 * #신약개발 * 데이터 임베딩과 모델 구조 💡 생물학자: 악의적이고 문제를 일으키는 단백질에 대해 어떤 형태의 약물을 먼저 개발해야 하는지 예측하는 신뢰할 수 있는 방법이라고 합니다. 이 결과를 어떻게 쉽고 빠르게 확인 할 수
GraphOmakase
오늘은 stanford & pyg 에서 진행한 컨퍼런스를 가져왔습니다. 주방장이 1년간 여러분들에게 드렸던 정보들 중 핵심만을 가득 담아놓아서 깜짝놀랬습니다. 아마 글 중 ‘핵심’이다 라고 강조했던 부분이 있었을텐데요. 그 부분들이 7시여간의 컨퍼런스에 모두 담겨있었습니다. 다시 말하자면, 1년간의 그래프 기술들을 공부하며 정수라고 생각했던 부분들이 이 컨퍼런스에 잘 녹아져 들어가 있던거죠. 그러기에, 그래프에
GraphOmakase
1. BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models → NER(Name Entity Recognition) , RE(Relation Extraction) 때문에 고생하셨던 분들에게 단비같은 논문이라 생각합니다. 프롬프트 엔지니어링과 사전학습된 모델만으로 다양하고 정교한 관계를 추출할 수 있는 방법에 대해 이야기합니다. 2. Knowledge Graph Generation From Text → 대규모 언어모델을 활용해 지식그래프를 형성하는 과정에서
GraphOmakase
A Complete Expressiveness Hierarchy for Subgraph GNNs via Subgraph Weisfeiler-Lehman Tests [https://arxiv.org/pdf/2302.07090.pdf] Expressive power, 그래프 데이터의 장단점을 논할 때 항상 강조되는 요소입니다. 노드 수와 엣지 수가 동일한 그래프라 하더라도, 그래프 내의 노드 연결 방식에 따라 다른 그래프로 구분됩니다. 따라서 '어떻게 연결'되는지를
GraphOmakase
Preview How Transitive Are Real-World Group Interactions? - Measurement and Reproduction → 그래프 지표 중 하나인 전이성(Transitivity), Hypergraph 에서는 어떻게 측정되며 생성모델에서는 어느 측면으로 접근할 수 있을까요? A*Net: A Scalable Path-based Reasoning Approach for Knowledge Graphs →KG Reasoning , 안그래도 비용이 많이 드는 알고리즘인 최단거리탐색 알고리즘을 지식그래프에 적용을 한다? A*
GraphOmakase
Preview On the Connection Between MPNN and Graph Transformer → Graph transformer 의 Self-attention,Positional-encoding 을 대체하기 위해 MPNN에서 어떤 시도를 할 수 있을까요? Virtual node 를 통해 앞선 두가지 요소를 대체하기 위한 아이디어에 대해 알아봅니다. EquiformerV2: Improved Equivariant Transformer for Scaling to Higher-Degree Representations → Euqiformer 모델에서 scalable 를 위해 개선한
GraphOmakase
Transformers Meet Directed Graphs [https://arxiv.org/pdf/2302.00049.pdf] 트랜스포머 시대에 살고있다해도 무리가 없을 정도로 데이터 종류를 가리지않고 많은곳에서 트랜스포머를 활용하고 있는 요즘입니다. 하지만, 그래프 데이터에서만 유난히 기를 못쓰는데요. 그 이유로는 1. 동형 사상 2. 토폴로지 종류 라고 저는 생각합니다. 본 논문에서는 위 두 가지를 한계점으로 꼽고 해결하고자
GraphOmakase
Voucher Abuse Detection with Prompt-based Fine-tuning on Graph Neural Networks [https://arxiv.org/pdf/2308.10028.pdf] 저번주 오마카세에서도 언급했었죠. GNN 이 각광받고 있는 이유중 하나 바로 준지도학습을 통해 라벨링 되어있지 않은 데이터에 대해 추론이 가능하다 였습니다. 이를 활용하기 좋은 분야는 바로 FDS 즉 이상치 탐지분야인데요. 오늘은 저번 오마카세에서 다룬