GNN

GNN design space, task space 관점으로 그래프 바라보기

머신러닝 과제 ⇒ node-level, link-level, graph-level랜덤포레스트, SVM과 같은 머신러닝 모델을 훈련시킨 후 새로운 노드/링크/그래프가 주어졌을 때 그것의 feature를 뽑아 Y라는 예측을 수행할 수 있도록 함. 좋은 모델 성능을 위해서는

Graph Representation Learning ⇒ 자동으로 그래프의 feature 학습, 매뉴얼로 일일이 feature engineering할 필요를 완화시킴. 임베딩(embedding)의 필요성: 노드들을 임베딩 공간으로 매핑해주기 때문 (그래야 downs

노드 임베딩: 그래프에서 비슷한 노드들끼리는 d차원 임베딩 공간에서 서로 가깝도록 매핑한다. 어떻게 매핑 함수 f를 학습시킬까?목표: $similarity(u,v) \\approx z_v^Tz_u$, (1) 유사도 개념과 (2) 인코더 정의 필요. (1) 인코더(Enc

(1) (2) GNN Layer = 메시지 내용 + 집계(Aggregation) 방법해당 내용의 변화에 따라 GNN의 인스턴트도 다양하게 나타남 (GCN, GraphSAGE, GAT, …)(3) Layer Connectivity: GNN 레이어끼리 어떻게 연결할 것인가