728x90
반응형
스탠포드 강의를 듣고 정리한 내용입니다.
지난 포스팅에서는 신경망을 일반화하여 그래프에 적용해보았습니다.
오늘 포스팅에서는 본격적으로 GNN이 어떻게 사용되는지 설명하기 전 GNN Framework에 대해 간단하게 정리하겠습니다. (포스팅이 매우 짧을 예정입니다!)
GNN Framework
GNN Framework는 총 5개로 나뉠 수가 있습니다.
Message
앞에서 설명한 그래프 모델을 보시면 모두 message를 전파시키고있습니다. 이부분은 메세지를 어떻게 받을지 결정하는 부분이라 생각하시면 됩니다. 메세지를 어떻게 받아들이냐에 따라 그래프 모델의 성능이 달라질 수 있습니다.
Aggregation
받은 메세지를 어떻게 합칠것이냐에 대한 문제인데요. 앞의 포스팅에서는 단순히 평균을 이용했는데, 이 방법 외에도 다양한 방법들이 있습니다.
Layer Connectivity
GNN은 신경망을 이용하죠. 한 층일 수도 있지만, 여러 계층을 쌓을 수도 있습니다. 따라서 그 계층간에 어떻게 연결을 할지에 대한 문제입니다.
Graph Augmentation
단순히 입력 그래프 말고 그래프 피쳐 또는 구조를 augmentation 할 수 있습니다.
Learning Objective
학습의 목적함수에 대한 부분인데요. 지도/비지도 학습에 대한 것 일수도 있고, 노드, 엣지, 그래프 레벨 분류에 대한 목적을 가질 수도 있습니다.
반응형
'인공지능공부 > 그래프' 카테고리의 다른 글
| [Stanford/CS224W] 7. GNN2(3) : Stacking Layers of a GNN (0) | 2023.03.29 |
|---|---|
| [Stanford/CS224W] 7. GNN2(2) : A Single Layer of a GNN (0) | 2023.03.28 |
| [Stanford/CS224W] 6. GNN(3) : Deep Learning for Graphs (1) | 2023.03.23 |
| [Stanford/CS224W] 6. GNN(2) : Basic of Deep Learning (0) | 2023.03.22 |
| [Stanford/CS224W] 6. GNN(1) : Graph Neural Networks (1) | 2023.03.21 |
