//////
Search
Duplicate

김정규

과제여부
GCN
spectral representation 을 학습하기 위한 방법론
모든 time domain 의 signal 은 주파수 성분 (기저) 의 선형 결합으로 표현할 수 있다는 푸리에 변환에 기초를 두고 있음
그래프에서는 Laplacian 을 eigen-decomposition 하여 eigen-basis 를 형성하고, 이때 그래프 시그널의 기저가 되는 것이 바로 eigen vector 들
모든 eigen value 를 사용하지 않는다
fast approximation 을 위해 k=1, lambda max = 2 로 설정
이 경우 message propagation 과 동일한 식이 유도된다 (decompose 된 diagonal matrix 가 adjacency + identity matrix )
transductive 함
모든 그래프 요소를 사용함
새로운 노드에 대한 prediction 은 불가능
GraphSAGE
GCN 과이 차이: 1. spatial representation 학습 2. inductive
spatial 하다는 것은 결국 node feature 에 관한 embedding space 를 잘 표현하는 매핑을 학습한다는 것
embedding space 에서의 근거리가 neighborhood 를 나타내기 때문
aggregate→ propagation 의 절차를 반복하a며, 몇 번 (k) 하냐에 따라서 더 멀리떨어진 node 를 고려
GAT
inductive & tranductive
어텐션을 통해 단순 aggregation 이 아닌, weighted aggregation 의 관점을 취하는 느낌
inductive & transductive 인이유? convaolution 과 aggregation 을 동시에 활용하므로
Transductive, Inductive SOTA 보다 좋은 성능을 냈다 (GCN,DeepWalk,SAGE)