sweetdev

크게 Node level, Edge level, Subgraph level, Graph level 4가지로 나누어서 본다. Node Level ex1) Protein Folding Edge Level Recommender System에서 User-Item간의 edge 추측하기 ex1) PinSage ex2) Drug Side Effect 약을 같이 복용했을때의 부작용 예측하기 Node = 약&단백질, Edge = 부작용 Subgraph Level ex) Traffic Prediction Node= Road Segment Edge = connectivity between road segments Prediction = Time of Arrival Graph level ex) Drug Discovery: g..

Traditional한 방법 - Graphlets, Graph Kernels Node Embedding 방법 - DeepWalk, Node2Vec GNN - GCN, GraphSAGE, GAT Knowledge graph and Reasoning - TransE, BetaE GNN + Graph - GraphRNN

- 사이즈가 임의이다, 토폴로지가 다양하고 복잡하다 - 그리드처럼 spatial locality가 없다. - 고정 노드가 없고, reference point가 없다 - 멀티모달 특징이 있을 때가 있다(?) 기존 딥러닝 데이터는 Feature Engineering을 해서 데이터의 특성을 파악했다면, GraphML에서는 비슷한 노드가 알아서 비슷한 vector로 맵핑 되게 하는 방식을 사용하면 어떨까?

from Stanford CS224W - event graphs, computer networks, disease pathways, food webs, particle networks, underground networks, social networks, economic networks, communication networks, citation networks, internet, networks of neuron, knowledge graphs, regulatory networks, scene graphs, code graphs, molecules, 3D shapes

Settings> notebook으로 검색> jupyter: export with output enabled에 체크 해주기 다시 run해주고, 저장 해야지 반영이 된다.

https://customerconnect.vmware.com/en/downloads/details?downloadGroup=WKST-PLAYER-1624&productId=1039&rPId=91446 여기에서 VMware Workstation 16.2.4 Player for Linux 64-bit 를 다운로드 받는다. .bundle 파일은 sudo sh ~~.bundle 을 통해서 실행 시킨다. 우분투 프로그램 리스트에 생긴 VMWare Workstation을 실행하고 설치를 진행해준다. Create a New Virtual Machine > Use ISO Image로 추가해준다.

KDD ICLR ICML NeurlPS WWW WSDM

최근에 네트워크를 공부하며 배운 얕은 지식으로 아주 간단한 3-page Survey paper을 썼다. conference에 제출도 완료 했다. 논문을 읽은적은 많았지만, 작성한 것은 처음이었는데 생각보다 Latex사용법이나 기본적인 작성법들을 잘 모른다는걸 느꼈고 연구실 박사과정 분께서 지도해주신 내용을 잊지 않기 위해 기록해두려고 한다. 💪🏻 참고로 분야마다 룰이 많이 다르다는걸 느꼈다. 나는 Computer Science의 Network 분야를 기준으로 작성한거라고 생각해주면 좋겠다. 작업하는 tool은 overleaf https://www.overleaf.com/project 에서 작업을 하고, 공유를 해서 썼다. overleaf는 online editing tool이고, 동시 접속 및 채팅, c..

def combine(n, k): results = [] def dfs(elements, start, k): if k==0: results.append(elements[:]) for i in range(start, n+1): elements.append(i) dfs(elements, i+1, k-1) elements.pop() dfs([], 1, k) return results N, M = map(int, input().split()) for i in combine(N, M): print(*i)

def permute(N, M): elements = [i for i in range(1, N+1)] results = [] prev_elements = [] def dfs(elements): if len(elements) == N-M: results.append(prev_elements[:]) for e in elements: next_elements = elements[:] next_elements.remove(e) prev_elements.append(e) dfs(next_elements) prev_elements.pop() dfs(elements) return results N, M = map(int, input().split()) for i in permute(N, M): print(*i) 기억..