Object N : Nodes(Vertices)Interactions E : Links, EdgesSystem G(N,E) : Network, GraphPossible optionsWeight (ex. frequency of communication)Ranking (e
🔨 Machine Learning Tasks Node-level prediction Link-level prediction Graph-level prediction 🔨 Traditional ML Pipleline >- Design features for nodes
입력값으로 주어지는 그래프의 각 노드가 임의의 인코더를 통과하여 임베딩 공간에 위치하는 벡터로 바뀌는 과정.이 과정을 통해 그래프에서 유사한 노드들이 임베딩 공간에서도 근처에 있도록 맵핑한다.Incoder가 Node를 Embedding space로 매핑하여 벡터를 생성
r은 중요도 벡터각 노드는 도착하는 링크의 합으로 중요도를 가진다.각 out link는 도착하는 노드로의 투표로 간주한다.각 out link는 출발하는 노드의 중요도 / 출발하는 노드의 out link 수로 투표수를 가지게 된다.Rank vector r : An en
Semi supervised node classification : 라벨링된 노드와 그렇지 않은 노드를 동시에 사용하는 분류문제 Message Passing 방법을 통해 노드 간의 correlation (dependencies) 을 가정하여 레이블을 예측한다. 비슷한
그래프에서 유사한 노드들이 함수 f 를 거쳐 d 차원으로 임베딩 되었을 때, 임베딩 공간 내에서 가까이 위치하도록 만드는 것 Encoder : 각 노드를 저차원 벡터로 매핑Similarity fuction : 원래 그래프 내에서의 노드 간 유사도와 임베딩 공간에서 노드
GNN은 Node, Graph Structure을 어떻게 구별하는가.Maximally expressive GNN model : 표현력을 어디서 극대화할 수 있을까.각 모델마다 다른 Propagation, Aggregation, Transfomation 방법론을 가지고