5장 합성곱 신경망Ⅰ(4) - 그래프 합성곱 네트워크

5.5 그래프 합성곱 네트워크

5.5.1 그래프란?

방향성이 있거나 없는 edge로 연결된 node(verticals)의 집합

node, edge : 풀고자 하는 문제에 대한 전문가 지식/직관으로 구성됨

 

노드(node, vertex) : 그림에서 원, 즉 원소

엣지(edge) : 두 노드를 연결한 선, 즉 결합 방법(single, double, triple, aromatic)

 

 

---

5.5.2 그래프 신경망

그래프 신경망이란?

그래프 구조에서 사용하는 신경망

 

그래프 데이터 표현 단계

1단계. 인접 행렬

   - 그림에서 왼쪽 네트워크를 노드 n개를 n×n 행렬로 표현

   - 인접 행렬 내의 값 :  ‘Aij는 i와 j의 관련성 여부’를 만족하는 값으로 채움

 ∴ 인접 행렬 과정 = 컴퓨터가 이해하기 쉽게 그래프로 표현하는 과정

 

2단계. 특성 행렬

   - 각 입력 데이터에서 이용할 특성 선택  예)RGB 값 3개 등

   - 특성 행렬의 각 행 : 선택된 특성에 대해 각 노드가 갖는 값을 의미   예)첫번째 행은 첫번째 노드의 특성값

특성행렬

⇒ '특성 행렬'을 거쳐 그래프 특성이 추출됨

 

5.5.3 그래프 합성곱 네트워크

그래프 합성곱 네트워크(GCN)란?

'이미지에 대한 합성곱'을 '그래프 데이터'로 확장한 알고리즘

 

그래프 합성곱 네트워크 구조

* 리드아웃(readout) : 특성 행렬을 하나의 벡터로 변환하는 함수

→ 전체 노드의 특성 벡터에 대해 평균을 구함

→ 그래프 전체를 표현하는 하나의 벡터를 생성

 

* 그래프 합성곱층(GCN에서 가장 중요한 부분)

: 이 층에서 '그래프 형태의 데이터 ⇒ 행렬 형태의 데이터로 변환'되어, 딥러닝 알고리즘을 적용할 수 있음(기존 그래프 형태 데이터로는 딥러닝 알고리즘 적용 불가능)