주뇽's 저장소

https://web.stanford.edu/class/cs224w 목차 1. 그래프 변형(Graph Manipulation) - 특징(Feature) 수준의 그래프 변형 (Graph Feature Manipulation) - 구조(Structure) 수준의 그래프 변형 (Graph Structure Manipulation) 👉 1. 그래프 변형(Graph Manipulation) GNN에서는 일반적으로 입력 그래프를 그대로 사용하여 노드 임베딩을 학습한다. 하지만 항상 원본 그래프가 노드 임베딩을 학습하는 데 최적인 것은 아니다. 따라서 상황에 따라 그래프를 변형하여 사용하면 더 나은 성능을 얻을 수 있다. 그래프 변형이 필요한 이유는 크게 두 가지 관점에서 살펴볼 수 있다. 1. 특징(Feature)..

ABSTRACT 해당 논문은 비지도 학습 방식으로 자원을 할당하는 방법을 학습함으로써 전역 유틸리티 기능을 극대화하는 접근 방식을 설명한다. 저자들은 할당 대상 간의 상호 작용의 중요성을 고려하여 그래프 신경망(GNN)을 사용하여 거의 최적의 할당 정책에 대한 보상 구조를 학습할 것을 제안한다. 자원 제약을 완화함으로써 진화 알고리즘 대신 기울기 기반 최적화를 활용할 수 있다. 이 알고리즘의 동기는 제한된 초기 정보를 기반으로 많은 수의 은하 중에서 선택하여 우주의 구성을 최적으로 추론하는 것이 목표인 현대 천문학의 문제에서 비롯된다. 이 기술은 사회 과학 연구에서 고객 만족도 조사 및 자율 에이전트의 탐험 전략에 이르기까지 다양한 할당 문제에 적용될 가능성이 있다. 1. Resource Allocati..

LightGCN은 Collaborative Filtering (CF)에서의 User-Item Interaction Matrix(사용자-아이템 상호작용 매트릭스)를 활용한 추천 시스템에서 사용되는 모델 중 하나이다. LightGCN은 그래프 신경망 모델 중 가장 간단하면서도 성능이 우수한 모델 중 하나이다. 모델 구조는 사용자와 아이템 간의 상호작용을 표현하는 유저-아이템 행렬을 이용하여 그래프를 만든다. 이때 그래프의 각 노드는 유저와 아이템을 나타내며, 각 엣지는 유저와 아이템 간의 상호작용을 나타냅니다. LightGCN은 다른 CF(협업 필터링) 모델과 달리, User와 Item간의 interaction(상호작용) 매트릭스를 이용하여 User와 Item을 Embedding시키는 작업만을 수행한다. 즉..

Attention Attention Is All You Need Transformer : Attention Is All You Need RNN (Recurrent Neural Network): RNN은 순차적인 데이터를 처리하는 데 사용되는 신경망 구조이다. RNN은 이전 시간 단계의 입력을 현재 시간 단계의 입력과 함께 처리하여 순차적인 정보를 유지하고 활용할 수 있고 텍스트, 음성 등 순차적인 시계열 데이터 처리에 유용하다 특징: 순차적인 데이터 처리, 이전 상태의 정보를 기억 장점: 순차적인 패턴을 학습할 수 있음, 시계열 데이터 처리에 적합 단점: 장기 의존성(Long-Term Dependency)을 잘 학습하지 못하는 문제, Gradient Vanishing/Exploding 등의 문제 발생 각..

2023.07.23 - [DeepLearning/Paper Riview] - GNN기반 추천 시스템 조사 - 논문 리뷰: Graph neural networks in recommender systems: a survey GNN기반 추천 시스템 조사 - 논문 리뷰: Graph neural networks in recommender systems: a survey https://arxiv.org/abs/2011.02260 Graph Neural Networks in Recommender Systems: A Survey With the explosive growth of online information, recommender systems play a key role to alleviate such info..

목표 : YOLO_NAS를 이용하여 people blur 처리 Blur Project Step0. 필요 라이브러리 다운로드 #-- requirements.txt super-gradients==3.1.1 opencv-pythonStep1. 필요 라이브러리 Import import cv2 import torch from super_gradients.training import models import numpy as np import mathStep2. people_blur.py 코드 작성 기본 설정 코드 작성(카메라, GPU, 모델) #-- 카메라 설정 cap = cv2.VideoCapture("/content/myDrive/MyDrive/Summer_project/test_data/people.mp4")..

SORT SORT(Simple Online and Realtime Tracking) 알고리즘은 실시간 객체 추적(real-time object tracking)을 위해 개발된 알고리즘이다. SORT는 대규모 다중 객체 추적 문제를 해결하기 위한 효율적인 방법을 제공한다. SORT 알고리즘은 먼저 객체 탐지(Detection) 단계를 통해 현재 프레임에서 객체를 감지한다. 객체 탐지 후, SORT 알고리즘은 추적(Tracking) 단계에서 이전 프레임에서 감지된 객체들과 현재 프레임에서 감지된 객체들을 매칭한다. 이를 위해 매칭 알고리즘인 헝가리안 알고리즘(Hungarian algorithm)을 사용한다. 헝가리안 알고리즘은 각 객체 간의 거리나 유사도를 기준으로 매칭을 수행하여 최적의 매칭을 찾아낸다. ..

SORT SORT(Simple Online and Realtime Tracking) 알고리즘은 실시간 객체 추적(real-time object tracking)을 위해 개발된 알고리즘이다. SORT는 대규모 다중 객체 추적 문제를 해결하기 위한 효율적인 방법을 제공한다. SORT 알고리즘은 먼저 객체 탐지(Detection) 단계를 통해 현재 프레임에서 객체를 감지한다. 객체 탐지 후, SORT 알고리즘은 추적(Tracking) 단계에서 이전 프레임에서 감지된 객체들과 현재 프레임에서 감지된 객체들을 매칭한다. 이를 위해 매칭 알고리즘인 헝가리안 알고리즘(Hungarian algorithm)을 사용한다. 헝가리안 알고리즘은 각 객체 간의 거리나 유사도를 기준으로 매칭을 수행하여 최적의 매칭을 찾아낸다. ..