주뇽's 저장소

Welcome to IGNNITION — ignnition main documentation IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking Systems • Pujol-Perich D, Suárez-Varela J, Ferriol M, et al. IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking Systems[J]. IEEE Network, 2021. Link Code IGNITION: 그래프 신경망과 네트워킹 시스템 간의 격차 해소 IGNNITION: Bridging the Gap Between Graph Neural Networks an..

GitHub - GuiminDong/GNN4IoT Graph Neural Networks in IoT: A Survey 💡 해당 논문은 사물인터넷(IoT)이 의료, 교통, 제조 등 일상 생활의 다양한 측면에 미치는 영향에 대해 설명한다. 또한 지속적인 센싱으로 생성되는 대량의 데이터와 컨볼루션 신경망 및 순환 신경망과 같은 딥 러닝 모델을 사용하여 IoT 작업을 해결하는 데 따르는 과제를 강조한다. 또한 이 논문에서는 IoT 센서 네트워크 내의 복잡한 상호 작용을 포착하고 IoT 학습 작업에서 최첨단 결과를 달성하기 위한 유망한 접근 방식인 그래프 신경망(GNN)을 소개한다. 저자들은 IoT 분야에 GNN을 적용하는 최근의 발전에 대한 포괄적인 검토를 제시하고 이 분야의 새로운 연구를 추적할 수 있는 저..

2023.09.19 - [DeepLearning/Paper Riview] - Unsupervised Resource Allocation with Graph Neural Networks 논문 리뷰 Unsupervised Resource Allocation with Graph Neural Networks 논문 리뷰 ABSTRACT 해당 논문은 비지도 학습 방식으로 자원을 할당하는 방법을 학습함으로써 전역 유틸리티 기능을 극대화하는 접근 방식을 설명한다. 저자들은 할당 대상 간의 상호 작용의 중요성을 고려 jypark1111.tistory.com MLP (Multi-Layer Perceptron): 기본적인 다층 퍼셉트론을 구현한다. 이는 노드, 엣지, 전역 특성을 업데이트하는 데 사용된다. class MLP..

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..

A GNN-Based Supervised Learning Framework for Resource Allocation in Wireless IoT Networks 무선 IoT 네트워크에서 리소스 할당을 위한 GNN 기반 지도 학습 프레임워크 ABSTRACT 사물 인터넷(IoT)을 통해 물리적 장치를 무선 네트워크를 통해 연결할 수 있다. 디바이스 간(D2D) 통신이 IoT의 유망한 기술로 떠오르고 있지만, D2D 리소스 할당을 위한 기존의 솔루션은 일반적으로 계산이 복잡하고 시간이 많이 걸린다. 이러한 높은 복잡성은 무선 IoT 네트워크의 실제 구현에 큰 걸림돌이 된다. 이 문제를 지도학습 방식으로 해결하기 위해 그래프 신경망(GNN) 기반 프레임워크가 제안되었다. 구체적으로 무선 네트워크는 바람직한 통..

CF + GNN 모델 조사 그래프 구성의 차이 일반적인 GNN모델들은 단순하게 사용자-아이템 이분 그래프에 직접 GNN을 적용하면 다음과 같은 문제 학습하기에 표현이 충분하지 않음 대규모 그래프의 경유 높은 계산 비용 발생 GCCF(Graph Convolutional Collaborative Filtering) 기존의 사용자와 아이템 간의 상호작용 행렬을 분해하여 임베딩 하는 방식의 MF 모델을 개선하기 위하여 나온 모델로 그래프 구조를 고려하여 사용자와 아이템 간의 상호작용을 모델링한다. GCCF에서는 그래프를 구성할 때, 사용자와 아이템을 노드로 표현하고, 이들 간의 상호작용을 엣지로 표현합니다. 이 그래프를 바탕으로 GCN을 적용하여 사용자와 아이템의 임베딩을 학습하고, 이를 기반으로 새로운 사용자..

Collaborative Filtering(협업 필터링) 다른 사용자의 구매 이력, 평가 등을 바탕으로 다른 사용자와의 유사도를 측정하여 사용자가 좋아할만한 상품을 추천하는 기술이다. ex) A,B 두 명의 사용자가 있다고 가정 A : 햄버거를 좋아함 B : A와 B의 음식 취향이 비슷함 B 에게 A가 좋아하는 햄버거를 추천 Collaborative Filtering 종류 Neighborhood Method 유저와 아이템의 데이터를 연관하여 추천하기 때문에 쉽다. 복잡한 계산 과정이 필요하여 확장이 힘들다. Latent Factor Model 기본적으로 사용 Matrix Factorization Netflix Prize 논문에서 사용 Matrix Factorization 유저와 아이템간의 상호작용에는 유..

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..