728x90 반응형 graph machine learning4 [CS224w] 4. Graph Neural Networks 앞서 Node Embedding을 할 때는 임베딩 벡터를 이용하여 문제를 해결했다.이제 딥러닝 방법으로 node/edge/graph를 encoding하는 방법으로 나아가자. 그래프 데이터이므로 Grapn Neural Networks(GNN, GNNs)라 부른다.기존 MLP가 적합하지 않은 이유Naive하게 인접행렬$\mathbf{A}$을 concat하여 MLP에 적용해보자.MLP의 결과는 임베딩된 벡터 $\mathbf{z}_{\mathcal{G}}$가 output으로 나온다고 하면 \[ \mathbf{z}_{\mathcal{G}} = \mathrm{MLP}(\mathbf{A}[1] \oplus \mathbf{A}[2] \oplus \dots \oplus \mathbf{A}|\mathcal{V}| ]) \.. 2023. 3. 7. [CS224w] Colab 1 - Node Embeddings 강의자료 1~3 기반 colab 프로그래밍 과제이다. 1. Introduction 2. Feature Engineering for Machine Learning in Graphs 3. Node Embeddings Dataset Zachary's karate(가라테) club network라는 그래프 데이터를 이용할 것이다. NetworkX에 내장되어있으니 간단히 불러온다. import networkx as nx G = nx.karate_club_graph() print(type(G)) # print(G.is_directed()) # False 그래프를 그려볼 수 있다. 실행할 때마다 그래프 그림이 달라지지만, 당연히 같은 그래프이다. nx.draw(G, with_labels=True) Question 1.. 2023. 3. 6. [CS224W] 2. Feature Engineering for ML in Graphs ML tasks reviewsNode-level prediction → Node featuresLink-level prediction → Link featuresGraph-level prediction → Graph featuresNode-level prediction$G = (V, E)$가 주어질 때, 함수 $f: V \to \mathbb{R}$를 학습한다.Goal: 네트워크의 노드의 구조와 위치를 특성화한다.Node FeaturesNode degreeNode centralityClustering coefficientGraphletsNode Centralitynode degree는 importance를 포착하지 않는다. node centrality $c_v$는 node importance를 지닌다.no.. 2023. 1. 23. [CS224W] 1. Introduction 출처: http://web.stanford.edu/class/cs224w/index.html CS224W: Machine Learningn with Graphs Complex domains (Social networks, internet, Knowledge Graphs, 3D shapes, etc) have a rich relational sturcture, whic can be represented as a relational graph.Modern deep learning toolbox is designed for simple sequences and grids.Not everything can be represented as a sequence or a grid. NN을 이용하여 node의 이웃 .. 2023. 1. 23. 이전 1 다음 728x90 반응형
