GNN Basics
1.[논문리뷰]GraphSage : Inductive Representation Learning on Large Graphs(2017)
오늘은 graphsage라는 프레임워크를 제안한 논문에 대해 다루어 보겠습니다. Node2vec이나 DeepWalk와 같은 shallow node embedding learning을 통해 고정된 node들에 대한 representation을 학습할 수 있습니다.하지만,
2.[논문리뷰] Node2Vec : Shallow embedding for node(2016)
본 포스팅에서는 node embedding을 학습하는 방법론을 소개한 2016년 논문, node2vec을 중점적으로 소개하고자 합니다.
3.[GRL Book 5.1] Basic Neural Message Passing Framework
오늘은 가장 기본적인 Graph Neural Network의 프레임워크인 neural message passing에 대해 소개하겠습니다. node2vec이나 DeepWalk와 같은 방식으로, 각 노드에 상응하는 임베딩(shallow embedding)을 학습할 수도
4.[GRL Book 5.2] Aggregation Functions
이웃 노드 aggregation에 대한 다양한 방법론이 존재합니다. node degree에 기반한 normalization, 다양한 set aggregation operations, graph attention에 대해 다룹니다.
5.[GRL Book 6.1] Applications of GNN and Loss functions
Graph neural network를 활용한 task는 크게 node classification, link prediction, graph classification으로 나뉩니다. 각각의 task가 무엇인지 이해를 돕기 위해 예를 들자면, Node classifica
6.[논문리뷰] Neural Message Passing for Quantum Chemistry (2017)
이 논문은 quantum chemistry와 관련된 QM9이라는 데이터셋에서 높은 성능을 달성했다는 점에서도 의미가 있지만, 본 논문 이전의 다양한 graph neural network 알고리즘들을 하나의 형태로 통합했다는 점에서 큰 의미가 있습니다.graph neur