์˜ค๋ธŒ ๐Ÿง™‍โ™‚๏ธ 2024. 8. 2. 00:28

์ •์˜

Graph Neural Network

๋…ธ๋“œ์™€ ๋…ธ๋“œ ๊ฐ„์˜ ์—ฐ๊ฒฐ์„ฑ์„ ๋‚˜ํƒ€๋‚ด๋Š” ์—ฃ์ง€๋กœ ๊ตฌ์„ฑ๋œ ๊ทธ๋ž˜ํ”„ ๋ฐ์ดํ„ฐ์— ์ ํ•ฉํ•œ ํ•™์Šต ์•Œ๊ณ ๋ฆฌ์ฆ˜

๊ทธ๋ž˜ํ”„ ๊ตฌ์กฐ๋ฅผ ํ™œ์šฉํ•ด loss ๊ฐ’์„ ์ตœ์†Œํ™”์‹œํ‚ค๋Š” ๊ฒƒ

ํŠน์ง•

์œ ํด๋ฆฌ๋””์–ธ ๊ณต๊ฐ„

1์ฐจ์›, 2์ฐจ์›์—์„œ ํ‘œํ˜„ ๊ฐ€๋Šฅ

์ด๋ฏธ์ง€์™€ ํ…์ŠคํŠธ, ์˜ค๋””์˜ค๋Š” ์œ ํด๋ฆฌ๋””์–ธ ๊ณต๊ฐ„์ƒ์—์„œ ํ‘œํ˜„ํ•  ์ˆ˜ ์žˆ๋‹ค.

์ด ๋ฐ์ดํ„ฐ๋“ค์€ ๊ฑฐ๋ฆฌ๊ฐ€ ์ค‘์š”ํ•˜๋‹ค. (๋…ธ๋“œ-๋…ธ๋“œ๋กœ ์—ฐ๊ฒฐ๋œ ๊ฒฉ์ž ํ˜•ํƒœ์ž„์œผ๋กœ)

๋ฐ˜๋ฉด, ๋ณต์žกํ•œ ์—ฐ๊ฒฐ ๊ด€๊ณ„์™€ ๊ฐ์ฒด ๊ฐ„์˜ ์ƒํ˜ธ ์˜์กด์„ฑ์„ ๊ทธ๋ž˜ํ”„๋กœ ๋‚˜ํƒ€๋‚ด์•ผ ํ•˜๋Š” ์ƒํ™ฉ์ด ์žˆ๋‹ค. ( ex. ๋ถ„์ž ๊ตฌ์กฐ, SNS ๋ฐ์ดํ„ฐ )

์ด๋“ค์€ ์—ฐ๊ฒฐ์—ฌ๋ถ€์™€ ์—ฐ๊ฒฐ๊ฐ•๋„๊ฐ€ ์ค‘์š”ํ•˜๋‹ค.

node, edge, feature๋กœ GNN ๊ทธ๋ž˜ํ”„๊ฐ€ ๊ตฌ์„ฑ๋œ๋‹ค. node์™€ edge์˜ ๊ด€๊ณ„๋ฅผ ์ธ์ ‘ํ–‰๋ ฌ๋กœ ๋‚˜ํƒ€๋‚ด๊ณ , feature์€ ํŠน์ง• ํ–‰๋ ฌ๋กœ ๋‚˜ํƒ€๋‚ธ๋‹ค.