CS224W 1강 - Machine Learning with Graphs

• Graph Machine Learning Tools -> advanced GNN functionalities

  • PyTorch Geometric(PyG)
  • DeepSNAP
  • GraphGym
  • SNAP.PY
  • NetworkX

• 오늘날의 deep learning toolbox는 image, text 등의 정형 데이터를 위해서 디자인 되었다.
  하지만 사실 세상에 존재하는 대다수의 데이터는 비정형 데이터일뿐만 아니라, relational structure이 크게 강조되는 한 차원 더 complex 한 도메인 데이터이다.
  따라서 GNN이 부상하기 시작하였다.

• Graph Representation Learning

  1. Hand-crafted Feature Engineering: raw data -> graph data
     ex) Graphlets, Graph Kernels
  2. Learning Embeddings: 네트워크상 유사한(가까운) 노드는 임베딩 공간에서도 서로 가까이 위치함 (preserving similarity)
     
     2-1. Shallow Encoding: 심플한 lookup 테이블
     ex) DeepWalk, Node2Vec
     2-2. Deep Encoding: GNN
     ex) GCN, GraphSAGE, GAT

• (Application) Drug Discovery - Graph-level ML task
  참고할 논문: You et al., Graph Convolutional Policy Entwork for Goal-Directed Molecular Graph Generation, NeurIPS 2018

• Graph Representation 방법

  1. Adjacency Matrix
     단점: sparse matrix
  2. Edge List <- 딥러닝 프레임워크에서 많이 사용되는 유형
     단점: node degree와 같은 graph analysis가 어려움
  3. Adjacency List: 연결리스트로 표현