뒤로 가기
홈으로 이동
LearnFit
공유하기
YouTube, The ultimate intro to Graph Neural Networks. Maybe.
yun님의 학습노트

The ultimate intro to Graph Neural Networks.

#Graph Convolutional Networks
#Graph Neural Networks
#GNN
#knowledge graphs
#aggregation function
#convolution
#graph
#GCN
#scene graph
#image processing
#transformation
#CNN
#convolutional neural net
#neural networks
#CV
#NLP
#AI
#artificial intelligence
#computer vision
#learning
#machine learning
#deep learning
#easy
#explained
#simply
#comprehensible
#research
#teaching
#education
#computer science
#basics
#algorithm
#beginner
#short
#example
#for beginners
#animated
#animation
00:00이 영상에서 우리는 GNN(Graph Neural Network)에 대해 공부합니다.
00:43Graph는 어디에나 있습니다.
00:54비행기 여행을 예로 들면, 도착지와 항로는 그래프로 나타낼 수 있습니다. 비행에 드는 연료와 비용 등을 최소화하기 위해 그래프를 최적화하는 작업을 진행할 수 있습니다.
01:22그래프의 또 다른 예로 소셜 네트워크가 있습니다.
01:27또한 문단을 언어적으로 분석해 계층화 한 것도 그래프입니다.
01:38이미지도 그래프 중의 하나입니다. 이미지의 각 픽셀을 그래프 노드로 나타내고 그 픽셀을 연결시키면 그래프로 이미지를 나타낼 수 있습니다.
01:57이미지에서, 의미를 따질 때도 그래프로 해석할 수 있습니다. (사람) -> (오토바이) 위에 있음, (사람) -> (헬멧)을 씀
02:13그래프의 마지막 예로 그래프 신경망입니다.
02:32GNN은 그래프에 대한 심층 신경망의 적용입니다.
03:06GNN에 대한 설명을 시작합니다. 먼저 Node에 대해 설명합니다.
03:09노드는 이 부분 수식에서 h로 나타냅니다. h는 vector입니다.
03:42그래프 구조의 정보를 사용해 초기 벡터를 업데이트하며 문제를 더 잘 표현하는 그래프(벡터)를 찾습니다.
03:54따라서 노드의 초기값보다 초기값에서 어떻게 변화하게(문제에 fitting)만들지가 중요합니다.
04:16첫째로, 새로운 벡터를 계산할 때 기존 벡터에서 유지할 것을 정합니다. 이는 가중치 행렬을 구하는 것과 같은데, 행렬을 통해 남길 것과 변화할 것을 결정합니다.
04:44이 가중치 행렬은 사람이 구하지 않고 신경망이 구하도록 합니다. 신경망은 노드 label, edge label 데이터에 대해 학습합니다.
04:58이렇게 목표를 정하면, 신경망은 학습을 반복하며 새로운 입력이 들어왔을 때 제대로 예측하는 방법을 학습하게 됩니다.
05:17여기부터는 GCN(Graph Convolutional Network)에 대한 설명입니다. 우리는 GNN의 개념에 대해 공부할 것임으로 이 부분은 스킵합니다.
07:25여기부터는 다시 GNN으로 돌아와, GNN의 활용에 대해서 설명합니다.
07:28GNN에서는 노드 간의 link를 예측하거나 노드 또는 그래프 자체를 분류(classification)하는 작업 등을 진행합니다.
07:40GNN은 약물(의 분자구조를 이용해) 부작용을 예측하는 등 의학 분야에서 많이 활용됩니다.
07:48또한 traveling salesman problem과 같은 그래프 최적화 문제에서도 GNN을 활용할 수 있고
07:52Knowledge Graph를 예측하는 데도 활용됩니다. 이외에도 GNN은 많은 작업에 응용됩니다.
✔ 학습 완료

이 학습노트가 포함된 러닝패스예요.

yun님의 다른 노트는 어때요?

yun의 프로필 이미지
yun
의 학습노트

[EdTech 입문] DKT란?_Deep Knowledge Tracing

영상 재생 모양 아이콘
Video
⏱ 핵심 스탬프
14
00:23
목차 1. DKT Model 2. DKT Model Input&Output 3. DKT 특성 및 한계
00:38
DKT 모델을 알아보자. DKT는 Knowledge Tracing에 DL을 적용시킨 모델로 학생들의 반응을 예측하는 문제에 RNN과 LSTM모델을 적용시킨 방법
👍
1
스크랩
yun의 프로필 이미지
yun
의 학습노트

CS224W: Machine Learning with Graphs | Lecture 3.1 - Node Embeddings

영상 재생 모양 아이콘
Video
⏱ 핵심 스탬프
32
00:00
강의노트(1p~18p) : http://snap.stanford.edu/class/cs224w-2020/slides/03-nodeemb.pdf
00:13
Traditional ML for Graph 요약
👍
1
스크랩
👋 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