목록GNN (21)
주뇽's 저장소
👉🏻 미니넷은 루트 환경에서 실행해야한다!! - sudo su 명령어를 통해 관리자 모드로 실행1. 우분투 환경을 설치해서 미니넷을 테스트👉🏻 AWS EC2환경에서는 핑 테스트가 정상적으로 실행이 되지만 cpu 한계때문인지 중간중간 계속 에러가 나므로 vm환경에서 테스트우분투 환경에서 테스트를 진행하는 경우 호스트별로 IP가 달라야 테스트가 가능한데 IP가 동일한 오류 발생2. 이미 환경이 구축된 미니넷 VM을 다운로드 하여 사용CLI 환경으로 제어해야 한다는 단점이 존재하지만 IP가 동일한 오류는 해결버츄얼 박스에서 미니넷 vm을 설치하는 방법https://github.com/mininet/mininet/releases/위 깃허브에서 20.04 LTS버전 설치Steps for download M..
미니넷(Mininet) 소개 및 사용법미니넷(Mininet)은 네트워크 연구와 실험을 위해 널리 사용되는 가상 네트워크 시뮬레이션 도구이다. 이 글에서는 미니넷의 설치부터 기본적인 네트워크 토폴로지 구성 및 패킷 캡처 방법까지 상세히 설명한다. 1. 미니넷 설치미니넷을 사용하려면 Ubuntu 등 리눅스 환경이 필요하다. 설치 과정은 다음과 같다. 1. 패키지 목록 업데이트sudo apt-get update2. 미니넷 설치sudo apt-get install mininetsudo apt-get install openvswitch-testcontroller설치가 완료되면 미니넷을 사용할 준비가 된다.2. 미니넷 기본 사용법기본적인 사용법을 통해 간단한 네트워크를 구축해본다.2.1. 간단한 네트워크 토폴로지 ..
https://web.stanford.edu/class/cs224w목차1. Part1- Transformer 소개- 메시지 패싱 GNN과의 관계2. Part2- Transformer GNN을 위한 새로운 디자인 👉 1. Part2- Transformer GNN을 위한 새로운 디자인기존 GNN과 다르게 Graph Transformer를 위한 디자인 공간은 어떻게 설계를 해야할까? Transformer로 그래프를 처리하는 방법을 이해하려면 Part1에서 본 Transformer의 주요 구성 요소를 이해한다.토큰화(Tokenizing): 입력 데이터의 각 부분을 벡터로 변환한다.자기 주목(Self-attention): 입력 시퀀스의 각 부분이 다른 부분에 얼마나 집중해야 하는지 결정한다.위..
2024.05.16 - [GNN/CS224] - 13. Graph Transformer Part2 CS224W: Machine Learning with Graphs 정리 13. Graph Transformer Part2 CS224W: Machine Learning with Graphs 정리https://web.stanford.edu/class/cs224w목차1. Part1- Transformer 소개- 메시지 패싱 GNN과의 관계2. Part2- Transformer GNN을 위한 새로운 디자인 👉 1. Part2- Transformer GNN을 위한 새로운 디자인기존 GNN과jypark1111.tistory.com https://web.stanford.edu/class/cs224w목차..
https://web.stanford.edu/class/cs224w목차1. GNN 학습(4) Dataset split- 고정 분할(Fixed Split)- 랜덤 분할(Random Split)- Transductive 설정- Inductive 설정 그래프 신경망 모델을 학습하고 평가할 때, 데이터를 적절히 분할하는 것이 중요하다. 이는 모델의 일반화 성능을 정확히 측정하고, 과적합을 방지하기 위함이다.👉 1. GNN 학습(4) Dataset split - 고정 분할(Fixed Split) 고정 분할은 데이터셋을 한 번 분할하고, 이를 고정해서 사용하는 방식이다. 데이터셋은 학습 데이터(Training Set), 검증 데이터(Validation Set), 테스트 데이터(Test Set)로 나뉜다.학습 데..
https://web.stanford.edu/class/cs224w 목차 1. GNN 학습(3) Supervised vs UnSupervised - Supervised - UnSupervised 2. Training Piepeline - Loss Function - Classificaion Loss - Regression Loss - Evaluation metrics 👉 1. GNN 학습(3) Supervised vs UnSupervised - Supervised 지도학습은 그래프 외부에서 얻은 레이블 정보를 활용하는 방식이다. 예를 들어 인용 네트워크 그래프에서 각 노드(논문)가 어떤 주제 분야에 속하는지를 예측하는 문제에서는 외부에서 제공되는 논문의 주제 분야 정보가 레이블로 사용될 수 있다. 트랜잭..
https://web.stanford.edu/class/cs224w 목차 1. GNN 학습(2) Hierarchical - Hierarchical Pooling - Hierarchical Aggregate - Graph-Level Issue : Graph Level의 예측을 수행할 때 Gloabal pooling은 그래프 정보를 유실시킬 수 있다. ex): Node embeddings for G1 : {-1, -2, 0, 1, 2} Node embeddings for G2 : {-10, -20, 0, 10, 20} G1과 G2 그래프는 완전히 다른 노드 임베딩을 가지고 있고 구조적으로도 완전히 다르다. 만약 여기서 gloabl sum pooling을 사용하게 된다면 결과값은 다음과 같다. Predicti..
https://web.stanford.edu/class/cs224w 목차 1. GNN 학습(1) Prediction-head - Node-Level - Edge-Level - Graph-Level 👉 1. GNN 학습(1) Prediction-head GNN의 출력은 노드 임베딩의 집합 {𝐡v ∈ ℝd, ∀𝑣 ∈ 𝐺} 이다. 이 노드 임베딩들을 가지고 최종적인 prediction을 생성하기 위해서는 prediction head 모듈이 필요하며 Prediction head는 노드, 에지, 그래프 레벨의 예측 작업에 따라 다르게 설계된다. - Node-Level 방법: 가장 간단한 방법은 노드 임베딩에 대해 선형변환을 수행하는 것이다. 노드 분류 문제의 경우 선형변환 결과에 Softmax를 적용해 multi..