LearnFit
YouTube, Understanding Graph Neural Networks | Part 1/3 - Introduction
Understanding Graph Neural Networks
#Graph Neural Network
#GNN
#Pytorch Geometric
#PyTorch
#Graphs
00:00이 영상에서는 그래프 데이터와 그래프 네트워크에 대해서 설명합니다.
00:28그래프 형식의 데이터에 대해서 설명합니다.
01:06여기서는 그래프를 분자구조에 빗대어 설명하는데요, 저같은 경우는 예시가 있는 게 그렇게 도움이 되진 않아서 이 부분은 살짝 건너뛰어도 될듯 합니다.
01:30그래프 데이터는 분자 구조 뿐만 아니라 어디에든 존재합니다. 그래프 데이터의 예를 소개합니다.
02:29머신러닝에서 그래프 데이터는 어떻게 사용될까요?
02:44노드 자체를 예측하는 경우에 대한 설명입니다.
02:52노드의 연결(link 또는 edge)를 예측하는 경우에 대한 설명입니다.
03:11그래프 전체를 입력으로 받아 분류하는 작업에도 사용됩니다.
03:40그래프를 단순히 Neural Networks의 입력으로 사용하면 안되는 이유에 대해서 설명합니다.
04:01첫번째 이유는 size와 shape의 문제입니다. 그래프는 이미지처럼 임의로 자르는 등의 처리를 할 수 없습니다.
04:26두번째 이유는 isomorphism이라는 그래프의 성질때문입니다.
05:01마지막 이유는 그래프의 구조는 non-euclidean이기 때문입니다.
05:36fundamental idea of gnns
05:51GNN은 노드에 대한 임베딩이라는 새로운 output을 출력합니다. 이러한 임베딩은 노드의 구조 정보(노드, 연결정보 등)를 포함합니다
06:19임베딩을 예측에 사용하는 경우
06:49또는 풀링(pooling operation) 작업에 활용합니다.
07:20여기서도 분자 구조를 예로 들어 설명하는데요, 가볍게 듣고 넘겨도 됩니다.
07:46GNN에서 edge 정보를 처리할 수 있으며 이것은 그래프 내의 노드 임베딩으로 결합됩니다.
07:53여기서는 Message Passing에 대해서 아주 잠깐 언급합니다. 앞부분에서 기본적인 GNN에 대한 이해는 완료했기 때문에 그냥 넘어가도 좋습니다.
✔ 학습 완료
👋 다양한 인사이트를
읽어보고 계신가요?
나만의 학습 기록을 남기고,
관리하고 싶다면!
다양한 전문가의 멤버십 전용
콘텐츠를 보고 싶다면!
나의 학습 내용을 공유하고,
수익을 올리고 싶다면!
3초 회원가입/로그인으로,
런핏의 커뮤니티에 여러분도 함께하세요.
3초 만에 가입하기