GNN3 [cs224w] Theory of Graph Neural Networks 1️⃣ 9강 복습 🔹 Main Topic : GNN 의 표현능력과 범위 • Expressive power : 어떻게 서로다른 그래프 구조를 구별하는가 (node 와 graph structure 를 어떻게 구분하는가) • Maximally expressive GNN model : 표현력을 어디서 극대화 시킬 수 있을까 🔹 GNN model ① GCN : mean pool ② GraphSAGE : max pool • Local Neighborhood Structure : 모든 노드가 같은 feature 를 가지고 있는 그래프에서 서로다른 노드를 구별하는 방법 (same color - same feature 로 간주) ↪ 기준1 : different node degree ↪ 기준2 : different nei.. 2023. 1. 6. [CS224W] Graph Neural Network 1️⃣ 6강 복습 🔹 Main Topic : Graph Neural Networks ① 복습 : Node embedding • 그래프에서 유사한 노드들이 함수 f 를 거쳐 d 차원으로 임베딩 되었을 때, 임베딩 공간 내에서 가까이 위치하도록 만드는 것 ↪ Encoder : 각 노드를 저차원 벡터로 매핑 ↪ Similarity function : 원래 그래프 내에서의 노드 간 유사도와 임베딩 공간에서 노드 벡터의 내적값이 유사하도록 만드는 함수 • Shallow Encoding (embedding lookup) : 임베딩 행렬에서 노드의 임베딩 벡터를 각 칼럼에 담아, 단순히 벡터를 읽어오는 방식 → 🤨 노드 간에 파라미터를 공유하지 않기 때문에 노드의 개수가 증가할 수록 행렬의 크기가 계속 늘어나게 되며.. 2022. 11. 24. [인공지능] GNN Summary ✨ Idea for deep learning for graphs ◾ Multiple layers of embedding transformation ◾ At every layer, use the embedding at previous layer as the input ◾ ⭐⭐ Aggregation of neighbors ✨ Graph convolutional network ◾ Mean aggregaton → permutation invariant/equivariant ✨ Applications of GNNs ◾ Node-Level ◾ Edge-Level ◾ Graph-Level ⭐ GNN is general architecture ◾ CNN and Transformer can be viewe.. 2022. 6. 14. 이전 1 다음 728x90
