2024-1 AIGS703I 인공지능특론: 그래프분석을 위한 기계학습

과목 정보

• AIGS703I / 전공선택 / 3-0-3
• 안성수 교수님
• 제2공학관 107호

학습 노트

• Week 1-1
• Week 1-2
• Week 2-1
• Week 2-2
• Week 3-1
• Week 3-2
• Week 4-1
• Week 4-2
• Week 5-1
• Week 5-2
• Week 6-1
• Week 6-2
• Week 7-1
• Week 7-2
• Week 9-1
• Week 9-2
• Week 10-1
• Week 11-1
• Week 11-2
• tba

---

개요

그래프 기계학습이란

  그래프는 객체들 간의 관계를 나타내는 자료구조로, 소셜 네트워크, 의약학 및 생화학, 뇌과학, 3D 메쉬 컴퓨터 그래픽스, 교통, 자연어 처리, 추천 시스템 등 다양한 분야에서 발견되고 사용된다. 그래프 기계학습은 이러한 그래프 데이터에서 패턴을 발견하고 예측하는데 사용되는 만큼, 다양한 분야의 연구원들이 도전하고 있는 연구 분야다.
  그래프 기계학습을 공부하기 위해서는 그래프 데이터의 특성을 고려하여 다양한 알고리즘과 모델들이 개발되었다는 것을 이해해야 한다. 그래프 기계학습은 주로 객체를 나타내는 노드(node)와 노드들 간의 관계를 나타내는 엣지(edge)로 구성된 그래프 데이터를 다루며, 노드 분류(Node Classification), 엣지 예측(Edge Prediction), 그래프 분할(Graph Partitioning) 등의 작업에 적용된다. 또한, 다양한 그래프 신경망(Graph Neural Networks)들도 그래프 기계학습의 중요한 부분을 차지한다.

강의 범위

  본 강의는 그래프 및 그래프 기계학습과 관련된 ICML, ICLR, NeurIPS 등 출처의 최신 연구 동향까지 다루기 때문에 강의 진행자의 사견이 다소 반영될 수 있다. 또한, 그래프 분야 초심자에게는 권장하지 않으며, 심층학습, 기계학습, 강화학습 등의 선수 과목들을 먼저 이수한 후 참여할 것을 권장한다.

  이 강의에서는 그래프 및 기하 그래프와 관련된 최신 기계학습 연구 문헌 이해를 목표로 하며, 그래프 관련 기계학습 연구 대비에 필요한 이론 설명으로 구성되었다. 강의 내용은 그래프 신경망(Graph Neural Networks), 그래프 신호 처리(Graph Signal Processing), 구조화된 예측(Structured Prediction), 그래프 생성 모델(Graph Generative Models), 그래프 조합 최적화(Graph Combinatorial Optimization), 기하 그래프 신경망(Geometric GNNs) 등을 포함하고 있으며, 유동적으로 진행될 예정이다.

수업 안내 사항

• 100% 프로젝트 기반으로 평가!
  • 최소 3건의 최신 연구를 대상으로 하는 서베이 논문 프로포절 (~ 24.04.11 8주차 목)
  • 4~6장 분량의 서베이 논문 및 발표 PPT (40%) (~ 24.05.02 11주차 목)
  • 30분 분량의 발표 (40%) (13~15주차)
  • 피어 리뷰 (20%) (~ 24.06.06 16주차 목)

• 그래프 신경망 기초 수업이 필요하다면, 이 강의 커리큘럼 초반만 청강하거나, 스탠포드 강의를 온라인 수강할 것을 권장.