Chapter10 μμλ μΌλ°μ μΈ dataμ array (e.g. μ΄λ―Έμ§) λ₯Ό λ€λ£¨λ CNNμ 곡λΆνμλ€. Chapter12 μμλ κ°λ³ κΈΈμ΄ (variable length) λ₯Ό κ°λ sequences (e.g. ν
μ€νΈ) λ₯Ό λ€λ£¨λ transformers μ λνμ¬ κ³΅λΆνμλ€. λ³Έ μ±ν°μμλ graph neural networks
λ₯Ό μκ°νλ€. μ΄λ¦μμλ μ μ μλ€μΆμ΄, μ΄λ graph (set of edges and nodes) λ₯Ό λ€λ£¨λ neural architecture μ΄λ€.
graph λ₯Ό processing νκΈ° μν΄μλ ν¬κ² 3κ°μ§ μ£Όμ μ±λ¦°μ§ ν¬μΈνΈλ€μ΄ μλ€.
μμ κ°μ λ¬Έμ λ₯Ό ν΄κ²°νκΈ° μν΄ λ¨Όμ graph μ real-world example μ λ¨Όμ μ΄ν΄λ³΄κ³ μ΄λ»κ² graph λ₯Ό encode νλμ§, λ μ΄λ»κ² supervised learning μ graph λͺ¨λΈμ λνμ¬ μ μν μ§ κ³΅λΆνλ€. κ·Έλ¦¬κ³ μμ°μ€λ½κ² GNNμ ν κ°λμΈ, graph convolutional networks
μ λνμ¬ κ³΅λΆνλ€.
Graphλ κ΅μ₯ν νν ꡬ쑰μ΄κ³ nodes
μ vertices
μ set μΌλ‘ ꡬμ±λλ€. κ° nodesμ pair λ€μ edges
νΉμ links
λ‘ μ°κ²°λλ€. Graph λ λ³΄ν΅ κ° nodes λ€μ΄ 빼곑νκ² μ°κ²°λκΈ° λ³΄λ¨ λ¬μ±λ¬μ± μ°κ²°λμ΄ sparse
νλ€.
Real world μ λͺ κ°μ§ objects λ€μ μμ°μ€λ½κ² graphs μ ννλ₯Ό κ°λλ€. μλ₯Ό λ€μ΄ λλ‘λ₯Ό μκ°ν΄λ³΄μ. λλ‘μμ nodes μ΄λ€ βμ₯μβκ° λ κ²μ΄κ³ , βκΈΈβμ κ° βμ₯μβλ€μ μλ edges κ° λ κ²μ΄λ€. (See Fig. 13.1a)). νν λΆμ(?) (chemical moldules) λ€λ nodes λ€μ μμλ€μ λνλ΄κ³ edges λ€μ ννμ κ²°ν©μ λνλ΄λ μμ graph λ‘ λ³Ό μ μλ€. (See Fig. 13.1b)). μ μνλ‘λ κ° componenets λ€μ nodes λ‘, κ·Έλ¦¬κ³ κ° components λ€μ μ°κ²°νλ μ λ€μ edges λ‘ λ³Ό μ μλ€. (See Fig. 13.1c))
μμ κ°μ 3κ°μ μμ λΏλ§ μλλΌ, μλμ κ°μ λ€μν λ°μ΄ν°λ€μ graph μ ννλ‘ λνλΌ μ μλ€.
Social networks (μΈμ€νκ·Έλ¨)
Scientific literatures (LLMμ λͺ¨λ λ Όλ¬Έμ βAttention is all you needβ λ Όλ¬Έμ citeν¨.)
Wikipedia (wikipediaλ κ°κ°μ λ§ν¬λ‘ μ°κ²°)
Computer programs (μ°μ° μμ)
https://gfxcourses.stanford.edu/cs149/fall23/lecture/whyparallelism/slide_45
Geometric point clouds
κ° points λ€μ node, κ° pointλ€μ μ£Όλ³ point λ€μ μ°κ²°ν edges λ‘ νν κ°λ₯
Protein interactions
etcβ¦