일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 |
- 파이썬 머신러닝 완벽가이드 공부
- 데이콘 필사
- 수학
- zerodivide
- 유클리드 호제법
- numpy
- nan값
- allow_pickle
- 코테공부
- CS224W
- 강의정리
- BruteForchSearch
- 이코테
- graph
- 글또8기
- 추천시스템 입문
- Graph Representation Learning
- BruteForceSearch
- 추천시스템
- 에스토스테네스의 체
- 질문 정리
- 그래프란
- 백준
- #나동빈
- paper review
- 알고리즘
- 소수 판정
- #이코테2021
- 나동빈
- 논문리뷰
- Today
- Total
목록GNN/CS224W Lecture note (2)
꾸준히 써보는 공부 기록

참고자료: Hamilton-Graph Representation Learning, CS224W Lecture Note 3. Link Prediction Task and Features Link-Level Prediction Task as Task 존재하는 link들을 기반으로 새로운 link를 예측하는 task이다. Test를 할 때, 모든 노드 pair들의 Rank를 매긴다. (존재하는 link는 제외한다.) 그리고 Rank가 높은 top $K$ node pair들을 예측한다. 이 때 핵심은, node들의 pair의 feature들을 design하는 것이다. Link prediction은 두 가지 formulation들로 나타낼 수 있다. Two formulations of the link predic..

1. Traditional Methods for ML in Graphs Graph에서의 ML task들은 다음과 같다. Node-level prediction Link-level prediction Graph-level prediction Traditional ML Pipeline의 경우에는 node / link / graph에 대한 feature들을 각각 design하게 된다. 그리고 모든 training data에 대해서 feature들을 포함하고 있다. ML model을 training하는데는 Random Forest, SVM, Neural Network를 사용한다. 주어진 새로운 node / link / graph에 대해서, feature를 이용해서 prediction을 한다. 결론적으로 좋은 성..