# Graph Representation Learning

hmym7308

0. Abstract Graph Neural Networks (GNNs)는 그래프의 representation 학습에 있어서 효과적인 프레임워크다. 많은 gnn 변형 모델들이 고안되었으며 노드와 그래프 분류 문제에 있어서 뛰어난 성과를 보였다. 그러나 GNN의 혁명적인 성과에도 불구하고, GNN의 representational properties와 한계점에 대한 이해는 아직 부족하다. 이 논문에서는 그래프들의 서로 다른 구조를 파악해내는 gnn의 능력에 대한 이론적인 틀을 제안한다. GCN(Graph Convolution Network)이나 GraphSAGE와 같은 유명한 GNN의 변형 모델들의 뛰어난 능력을 설명하고, 이 모델들이 특정한 단순한 그래프 구조에 대해서는 구별을 하지 못하는 것을 보여준다. 그리고 더 나아가 새로운 단순한 모델 아키텍쳐를 제안한다. 새로운 모델은 Weisfeiler Lehman graph isomorphism test 만큼 강력하다. 1.

juheesvt

이 글은 GRL book을 번역 및 정리한 글입니다. Chapter 1 : Introduction 그래프는 ubiquitous data structure이고, 복잡한 시스템을 설명하기 위한 범용적인 언어이다 가장 일반적으로 보자면, 그래프는 단순히 Object(Node)와 Object 간의 상호작용 (Edge)을 모아둔 것이라고 할 수 있다. graph formalism의 힘은 node간의 관계와 그 일반성에 초점을 맞추는 데 존재한다. graph formalism이란 데이터를 graph의 형태로 수식화한다는 것을 의미한다.(node와 edge의 집합으로 나타내는 것)동일한 gra

tobigs-gnn1213

작성자 : 신민정 ># Contents Intro Embedding Nodes Random Walk Approaches to Node Embeddings Translating Embeddings for Modeling Multi-relation Data Embedding Entire Graphs 0.Intro 이번 강의는 graph domain에서의 representation learning에 대해 알아보겠습니다. representation learning이란, 어떤 task를 수행하기에 적절하게 데이터의 representation을 변형하는 방법을 학습하는 것입니다. 즉 어떤 task를 더 쉽게 수행할 수 있는 표현을 만드는 것입니다. Raw data에 많은 feature engineering과정을 거치지 않고 데이터의 구조를 학습하는 것으로, 딥러닝 아키텍처의 핵심요소라고