Weekly graph technology trend reviews covering graph databases, GraphRAG, GNNs, ontology, and knowledge graphs.
GraphOmakase
Simplicial Neural Networks paper link : https://arxiv.org/abs/2010.03633 official code : https://github.com/stefaniaebli/simplicial_neural_networks video : https://www.youtube.com/watch?v=2cidzWXH_vg&t=21s 배지훈 Index * Introduction * Proposed method : Simplicial convolution - SNNs * Summary * 이번 주 오마카세에서는 Simplicial complex의 higher-order interactions을 컨볼루션
GraphOmakase
Graph Filtration Learning paper link : https://arxiv.org/abs/1905.10996 official code : https://github.com/c-hofer/graph_filtration_learning 배지훈 Index * Background ; Homology (Persistent homology), Filtration, Persistent barcode * Methodology ; Graph Filtration Learning (GFL), Problematic scenario during backpropagation * Summary * 안녕하세요. 이번 주 오마카세는 토폴로지 신호 처리 도메인에서 벗어나, 그래프
GraphOmakase
Graph-based Semi-Supervised & Active Learning for Edge Flows paper link : https://arxiv.org/abs/1905.07451 official code(Julia) : https://github.com/000Justin000/ssl_edge 배지훈 Index * Graph-based Semi-supervised Learning for Edge flows * Methodology * Spectral Graph Theory Interpretations * Signal smoothness, cut-space, and cycle space * Active
GraphOmakase
Signal processing on simplicial complexes (3) paper link : https://arxiv.org/abs/2106.07471 배지훈 Index * Recaps to previous post * Flow smoothing & Denoising * Simplicial neural networks * Applications to dynamical systems on graphs & Simplicial complexes * 안녕하세요 ! 정말 무더운 여름인 것 같은데, 다들 건강하게 지내시고 계신가요? 제가 현재 지내고 있는
GraphOmakase
Signal Processing on Simplicial Complexes (2) paper link : https://arxiv.org/abs/2106.07471 배지훈 Index * Recaps to previous post * Hodge Laplacian matrix * Hodge Decomposition * 이전 게시글에서 소개해드린 TSP에 대한 기본 핵심 개념들 (Simplicial complex, Face / Co-face, Boundary operator)을 독자 여러분들께 전달해드렸었습니다. 꽤나 낯설고 생소한 개념들이 많이 있을
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 계시는
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-
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
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