- 현재 위치
- home > 컴퓨터·ICT·어학 > 컴퓨터·IT 도서 > 컴퓨터공학 > 그래프 신경망 입문[에이콘출판]
;)
그래프 신경망 입문 - 지유안 리우.지에 주 지음, 정지수 옮김
그래프 신경망은 최근 딥러닝의 어떤 분야보다도 빠르게 성장하고 있으며 많은 기업에서 이미 서비스에 적용했다. 이 책은 국내에서 그래프 신경망을 전문적으로 소개하는 첫 책이다. 20개 이상의 관련 모델들을 소개하고, 어떤 분야에 응용되고 있는지 알려준다.
그래프 신경망은 최근 딥러닝의 어떤 분야보다도 빠르게 성장하고 있으며 많은 기업에서 이미 서비스에 적용했다. 이 책은 국내에서 그래프 신경망을 전문적으로 소개하는 첫 책이다. 20개 이상의 관련 모델들을 소개하고, 어떤 분야에 응용되고 있는지 알려준다.
저자: 지유안 리우.지에 주 지음, 정지수 옮김
1장. 서론
1.1 동기
1.1.1 합성곱 신경망
1.1.2 네트워크 임베딩
1.2 관련 연구
2장. 수학 및 그래프 기초
2.1 선형대수학
2.1.1 기본 개념
2.1.2 고유분해
2.1.3 특잇값 분해
2.2 확률
2.2.1 기본 개념과 공식
2.2.2 확률분포
2.3 그래프 이론
2.3.1 기본 개념
2.3.2 그래프의 대수적 표현
3장. 신경망 기초
3.1 뉴런
3.2 역전파
3.3 신경망
4장. 기본 그래프 신경망
4.1 서론
4.2 모델
4.3 한계
5장. 그래프 합성곱 네트워크
5.1 스펙트럼 방법
5.1.1 스펙트럼 네트워크
5.1.2 ChebNet
5.1.3 GCN
5.1.4 AGCN
5.2 공간 방법
5.2.1 뉴럴 FPS
5.2.2 PATCHY-SAN
5.2.3 DCNN
5.2.4 DGCN
5.2.5 LGCN
5.2.6 MoNet
5.2.7 GraphSAGE
6장. 그래프 순환 네트워크
6.1 게이트 그래프 신경망
6.2 Tree-LSTM
6.3 그래프 LSTM
6.4 S-LSTM
7장. 그래프 어텐션 네트워크
7.1 GAT
7.2 GaAN
8장. 그래프 잔차 네트워크
8.1 하이웨이 GCN
8.2 지식 점프 네트워크
8.3 DeepGCNs
9장. 다양한 그래프 종류
9.1 유향 그래프
9.2 이종 그래프
9.3 에지 정보가 있는 그래프
9.4 동적 그래프
9.5 다차원 그래프
10장. 고급 학습 방법
10.1 샘플링
10.2 계층적 풀링
10.3 데이터 증강
10.4 비지도 학습
11장. 일반적인 프레임워크
11.1 메시지 전달 신경망
11.2 비지역 신경망
11.3 그래프 네트워크
12장. 응용: 구조 시나리오
12.1 물리
12.2 화학과 생물
12.2.1 분자 핑거프린트
12.2.2 화학 반응 예측
12.2.3 약물 추천
12.2.4 단백질과 분자 상호작용 예측
12.3 지식 그래프
12.3.1 지식 그래프 채우기
12.3.2 귀납 지식 그래프 임베딩
12.3.3 지식 그래프 정렬
12.4 추천 시스템
12.4.1 행렬 채우기
12.4.2 소셜 추천
13장. 응용: 비구조 시나리오
13.1 이미지
13.1.1 이미지 분류
13.1.2 시각적 추론
13.1.3 의미 구분
13.2 문자
13.2.1 문자 분류
13.2.2 시퀀스 레이블링
13.2.3 신경 기계 번역
13.2.4 관계 추출
13.2.5 사건 추출
13.2.6 사실 확인
13.2.7 그 밖의 응용
14장. 응용: 기타 시나리오
14.1 생성 모델
14.2 조합적 최적화
15장. 오픈소스
15.1 데이터셋
15.2 구현
16장. 결론
1.1 동기
1.1.1 합성곱 신경망
1.1.2 네트워크 임베딩
1.2 관련 연구
2장. 수학 및 그래프 기초
2.1 선형대수학
2.1.1 기본 개념
2.1.2 고유분해
2.1.3 특잇값 분해
2.2 확률
2.2.1 기본 개념과 공식
2.2.2 확률분포
2.3 그래프 이론
2.3.1 기본 개념
2.3.2 그래프의 대수적 표현
3장. 신경망 기초
3.1 뉴런
3.2 역전파
3.3 신경망
4장. 기본 그래프 신경망
4.1 서론
4.2 모델
4.3 한계
5장. 그래프 합성곱 네트워크
5.1 스펙트럼 방법
5.1.1 스펙트럼 네트워크
5.1.2 ChebNet
5.1.3 GCN
5.1.4 AGCN
5.2 공간 방법
5.2.1 뉴럴 FPS
5.2.2 PATCHY-SAN
5.2.3 DCNN
5.2.4 DGCN
5.2.5 LGCN
5.2.6 MoNet
5.2.7 GraphSAGE
6장. 그래프 순환 네트워크
6.1 게이트 그래프 신경망
6.2 Tree-LSTM
6.3 그래프 LSTM
6.4 S-LSTM
7장. 그래프 어텐션 네트워크
7.1 GAT
7.2 GaAN
8장. 그래프 잔차 네트워크
8.1 하이웨이 GCN
8.2 지식 점프 네트워크
8.3 DeepGCNs
9장. 다양한 그래프 종류
9.1 유향 그래프
9.2 이종 그래프
9.3 에지 정보가 있는 그래프
9.4 동적 그래프
9.5 다차원 그래프
10장. 고급 학습 방법
10.1 샘플링
10.2 계층적 풀링
10.3 데이터 증강
10.4 비지도 학습
11장. 일반적인 프레임워크
11.1 메시지 전달 신경망
11.2 비지역 신경망
11.3 그래프 네트워크
12장. 응용: 구조 시나리오
12.1 물리
12.2 화학과 생물
12.2.1 분자 핑거프린트
12.2.2 화학 반응 예측
12.2.3 약물 추천
12.2.4 단백질과 분자 상호작용 예측
12.3 지식 그래프
12.3.1 지식 그래프 채우기
12.3.2 귀납 지식 그래프 임베딩
12.3.3 지식 그래프 정렬
12.4 추천 시스템
12.4.1 행렬 채우기
12.4.2 소셜 추천
13장. 응용: 비구조 시나리오
13.1 이미지
13.1.1 이미지 분류
13.1.2 시각적 추론
13.1.3 의미 구분
13.2 문자
13.2.1 문자 분류
13.2.2 시퀀스 레이블링
13.2.3 신경 기계 번역
13.2.4 관계 추출
13.2.5 사건 추출
13.2.6 사실 확인
13.2.7 그 밖의 응용
14장. 응용: 기타 시나리오
14.1 생성 모델
14.2 조합적 최적화
15장. 오픈소스
15.1 데이터셋
15.2 구현
16장. 결론
◈ 이 책에서 다루는 내용 ◈
그래프는 물리적 시스템 모델링, 분자 구조 핑거프린트 학습, 트래픽 네트워크 제어, 소셜 네트워크의 친구 추천처럼 복잡하게 얽혀 있는 실생활 문제들을 표현하기에 적합한 데이터 구조다. 이런 문제들을 해결하기 위해서는 엄청난 수의 관계 정보를 갖고 있는 비유클리드 그래프 데이터를 다뤄야 하는데, 전통적인 딥러닝 모델인 합성곱 신경망이나 순환 신경망으로 해결하기에는 한계가 있다. 일반적으로 그래프의 노드는 네트워크 임베딩 방법 같은 비지도 표현 학습에서는 잘 다룰 수 없는 유용한 특성 정보를 담고 있다. 그래프 신경망은 특성 전파와 결합으로 노드의 특성 정보와 그래프의 구조를 결합해 그래프를 잘 표현하게끔 만들어졌다. 확실한 성능과 높은 해석 가능성 덕분에 그래프 신경망이 최근 다양한 그래프 분석에 적용되고 있다.
이 책은 그래프 신경망의 기본 개념, 모델, 응용을 포괄적으로 다룬다. 가장 기본이 되는 그래프 신경망과 그 변형인 그래프 합성곱 네트워크(graph convolutional network), 그래프 순환 네트워크(graph recurrent network), 그래프 어텐션 네트워크(graph attention network), 그래프 잔차 네트워크(graph residual network)를 설명한다. 다양한 그래프 타입에 맞는 변형 모델과 심화된 학습 모델도 제공된다. 그래프 신경망이 적용되는 분야를 구조적, 비구조적, 기타 시나리오로 분류한 다음 각각을 해결하는 방법을 알려준다. 마지막 장에서는 관련된 오픈소스와 앞으로의 전망을 다룬다.
◈ 이 책의 구성 ◈
1장에서 개요를 살펴본 후 2장에서는 수학과 그래프 이론에 대한 기초 지식을 소개한다. 3장에서 신경망의 기초를 살펴보고, 4장에서 GNN의 기본 형태를 알아본다. 5장, 6장, 7장, 8장에서 네 종류의 모델을 소개한다. 9장과 10장에서 다른 그래프 종류의 변형과 고급 학습 방법을 설명한다. 그리고 11장에서 일반적인 GNN 프레임워크를 설명한다. 12장, 13장, 14장에서 구조적 시나리오, 비구조적 시나리오, 그 외 시나리오에 대한 GNN의 응용을 알아본다. 15장에서는 몇 가지 오픈소스를 제공한다.
그래프는 물리적 시스템 모델링, 분자 구조 핑거프린트 학습, 트래픽 네트워크 제어, 소셜 네트워크의 친구 추천처럼 복잡하게 얽혀 있는 실생활 문제들을 표현하기에 적합한 데이터 구조다. 이런 문제들을 해결하기 위해서는 엄청난 수의 관계 정보를 갖고 있는 비유클리드 그래프 데이터를 다뤄야 하는데, 전통적인 딥러닝 모델인 합성곱 신경망이나 순환 신경망으로 해결하기에는 한계가 있다. 일반적으로 그래프의 노드는 네트워크 임베딩 방법 같은 비지도 표현 학습에서는 잘 다룰 수 없는 유용한 특성 정보를 담고 있다. 그래프 신경망은 특성 전파와 결합으로 노드의 특성 정보와 그래프의 구조를 결합해 그래프를 잘 표현하게끔 만들어졌다. 확실한 성능과 높은 해석 가능성 덕분에 그래프 신경망이 최근 다양한 그래프 분석에 적용되고 있다.
이 책은 그래프 신경망의 기본 개념, 모델, 응용을 포괄적으로 다룬다. 가장 기본이 되는 그래프 신경망과 그 변형인 그래프 합성곱 네트워크(graph convolutional network), 그래프 순환 네트워크(graph recurrent network), 그래프 어텐션 네트워크(graph attention network), 그래프 잔차 네트워크(graph residual network)를 설명한다. 다양한 그래프 타입에 맞는 변형 모델과 심화된 학습 모델도 제공된다. 그래프 신경망이 적용되는 분야를 구조적, 비구조적, 기타 시나리오로 분류한 다음 각각을 해결하는 방법을 알려준다. 마지막 장에서는 관련된 오픈소스와 앞으로의 전망을 다룬다.
◈ 이 책의 구성 ◈
1장에서 개요를 살펴본 후 2장에서는 수학과 그래프 이론에 대한 기초 지식을 소개한다. 3장에서 신경망의 기초를 살펴보고, 4장에서 GNN의 기본 형태를 알아본다. 5장, 6장, 7장, 8장에서 네 종류의 모델을 소개한다. 9장과 10장에서 다른 그래프 종류의 변형과 고급 학습 방법을 설명한다. 그리고 11장에서 일반적인 GNN 프레임워크를 설명한다. 12장, 13장, 14장에서 구조적 시나리오, 비구조적 시나리오, 그 외 시나리오에 대한 GNN의 응용을 알아본다. 15장에서는 몇 가지 오픈소스를 제공한다.
