지금은마라톤중

그래프 기계학습의 대표적인 예- 노드 분류- 링크 예측 노드 분류 (Node Classification)정의:그래프의 각 노드에 특정 레이블(클래스)을 예측하는 작업.예: 소셜 네트워크에서 사용자의 관심사 분류.입력: 노드 피처(특성)와 그래프 구조.출력: 각 노드의 클래스(레이블).활용 사례:연구 논문 데이터에서 논문의 주제 분류.소셜 네트워크에서 사용자의 성향 분류. 링크 예측 (Link Prediction)정의:그래프에서 두 노드 간의 연결 여부를 예측하는 작업.예: 추천 시스템에서 사용자와 상품 간 연결(구매 가능성) 예측.입력: 두 노드 쌍과 그래프 구조.출력: 두 노드 간 연결 확률(0~1).활용 사례:추천 시스템에서 친구 추천 또는 제품 추천.네트워크 복구를 위한 연결 가능성 분석.  GNN..

그래프 라이브러리 비교- networkx, DGL, PyTorch Geometric  특징NetworkXDGLPyTorch Geometric (PyG)목적그래프 분석 및 시각화그래프 딥러닝 (GNN 학습 및 딥러닝 그래프 분석)그래프 딥러닝 (PyTorch 기반 GNN 학습)프레임워크 지원독립적 (Python 라이브러리)PyTorch, TensorFlow, MXNet 지원PyTorch 전용성능대규모 그래프에서 속도가 느림대규모 그래프 처리에 최적화, GPU 효율적소규모/중간 규모 그래프에 최적화사용자 인터페이스직관적인 그래프 생성 및 분석 기능 제공GNN 특화 API 제공, 다양한 그래프 유형 지원PyTorch와 유사한 API, 사용이 간편그래프 배치 처리미지원병렬 처리를 통한 효율적 배치 처리패킹 방식..

이웃 중첩 검출그래프 통계량노드 및 그래프 분류 작업에 유용함노드 간 관계를 정량화하지는 않음 - 관계 예측 문제에 적용하기 어려움⇒ 이웃 중첩 검출노드 쌍(pair) 사이의 관계성을 정량화하기 위해 이웃 중첩을 통계적으로 측정노드-노드 유사도 행렬가장 단순한 방법은 공통 이웃의 수를 세는 것이웃 중첩 통계량은 관계 예측에 활용될 수 있음노드-노드 유사성과 문턱(threshold) 값을 통해 관계 예측 가능  지역적 중첩 통계량두 노드의 공통 이웃의 수를 활용한 함수를 적용하는 것이 일반적노드 연결수에 의한 편향(bias)를 줄이기 위한 정규화 방법을 고안각 공통 이웃의 중요도를 함께 고려하려는 방법도 활용됨두 방법 모두 연결수가 작은 경우 더 높은 가중치를 주는 측정 방식  전역적 중첩 통계량지역적 중..

전통적인 그래프 접근법 1. 노드 및 그래프 분류를 위한 그래프 통계량과 커널 방법그래프 통계량기존의 그래프 데이터에서의 분류 문제는 전통적인 기계학습 패러다임을 따름그래프로부터 통계량 및 특징을 추출하고 분류기의 입력으로 활용노드-레벨 통계량과 그래프-레벨 통계량이 쓰임  노드-레벨 통계량노드 연결수 (Degree)가장 유용하고 필수적으로 확인해야 할 노드-레벨 통계량노드에 대해 인접(incident)한 링크 수를 계산가중(weighted) 그래프: 위 식을 통한 일반화 가능, 0과 1 대신 가중치로 확장해서 씀,유향(directed) 그래프: 인접 행렬의 행/열의 합으로 진출/진입 링크 수를 계산하여 정의예제: Marriage Network노드 연결수- 메디치: 5, 스트로치: 3, 과다니: 2 노드..

그래프 모델링복잡한 시스템을 표현할 수 있는 범용적인 자료구조시스템을 분석하고 이해할 수 있는 수학적 기초 제공노드(node): 객체의 집합링크(link): 객체들 간의 상호 작용그래프 (Graph)𝐺 = (𝑉, 𝐸) 로 표현노드의 집합 𝑉링크의 집합 𝐸 = {(𝑢, 𝑣) |𝑢 ∈ 𝑉, 𝑣 ∈ 𝑉}단순 그래프 (Simple Graph)두 노드 사이의 링크는 최대 1개같은 노드를 연결하는 링크는 없음모든 링크는 방향성이 없음(undirected), 즉 (𝑢, 𝑣 )∈ 𝐸 ↔( 𝑣, 𝑢) ∈ 𝐸인접 행렬 (Adjacency Matrix)그래프를 표현하는 편리한 방법$𝑨 ∈ ℝ^{ |𝑉| × |𝑉|}$ 로 표현모든 노드를 행(row)과 열(row)에 대응하여 링크 표현𝑨[..

오랜만에 글을 씁니다..!! 회고 이후 자격증, 영어 등의 여러 가지를 준비하느라 나름 바빴지만, 지금이 더 바쁜 것 같습니다...ㅋㅋㅋㅋㅋ  지금 GNN 공부를 시작했습니다.   RAG 프로젝트를 진행하고 여러 생각을 하면서 데이터 복잡성을 극복하면서 LLM의 활용성을 높일 수 있는 방법에 대해 공부하고 싶다는 생각을 하게 되었습니다. 그래서 찾은 것이 GNN입니다. 그래프 기계학습은 기존 소셜 네트워크나 추천시스템에서만 쓰이는 것이 아니라, 최근에는 신약개발의 후보물질 발굴이나 GraphRAG가 연구되고 있는 것처럼 점점 더 각광 받고 있는 것 같습니다.   오랜만에 Machine Learning을 공부하니 재밌네요 ㅎㅎ근데 제가 공부했던 ML과는 다른 부분이 많은 것 같습니다. 더 열심히 해야겠다는..