GCN

요즘 공부하고 있는 주제(구급의료수요 예측 모델 만들기 관련된 프로젝트를 연구 중임) 관련되서 구글링을 하다가

"Predicting Emergency Medical Service Demand With Bipartite Graph Convolutional Networks" 이란 논문을 발견했다.

아는 지 모르겠지만  아직 ml, dl에 대해선 거의 신생아 수준이라서 (아직 배운지 얼마 안 되어서 당연한 얘기)

필수 개념만 뇌에 축적되어 있는 상태다. 근데 Bipartite Graph Convolutional Networks? 당연히 모름.

솔직히 모르는 것에 대해 부끄러움은 없다. 배우면 되니까.... 근데 Bipartite Graph Convolutional Networks는 워낙에 자료도 없고 (한국어 해석 자료는 일단 안 나옴) 일단 Graph Convolutional Networks는 자료가 그래도 조금 더 있는 편이라서 그것에 대해 공부를 하기로 했다. AI를 공부하면서 단점이라 하면 아무래도 한창 연구되고 있는 학문이다보니... 개념 자체가 낯설고... 특히나 한국어로 된 논문 리뷰를 읽었을 때 잘못 해석 한 경우가 너무나도 많다는 사실이다. 그리고 나는 그것을 판별할 정도의 지식을 갖고 있지 않다...ㅠㅠ 지금은 검토해줄 선생님이 있는데 사회에 나가면 누구에게 질문을 해야할지....? 어렵다. 어려워...

 

아무튼, 내가 공부한 GCN 은 GNN + CNN의 합작 => GCN 이렇게 결론 내릴 수 있었다.

공부하는 흐름은 CNN => GNN => GCN => Bipartite GCN (내가 결국 궁금했던 것) 이 순으로 가면 되겠다.

 

Convolution 연산의 특징 : 적은수의 파라미터(계산량이 적고, 오버피팅 위험이 적다), 지역적인 특성 학습, Translational Invariances

CNN (Convolutional Neural Network)

- 합성곱 연산을 사용하는 네트워크로 적합한 convolution(=weight, =filter) 값을 스스로 학습한다.

- CNN은 각 레이어의 activation maps의 값들을 업데이트 한다.

 

이미지에 대한 CNN연산을 그래프에 대해 적용한 것. => GCN.