タグ検索の該当結果が少ないため、タイトル検索結果を表示しています。
株式会社ディー・エヌ・エーに AI スペシャリストとして新卒で入社した @634kami です。 CNNなどディープなニューラルネットワークの台頭により一躍世界中の関心を集めるようになった機械学習分野ですが、最近の生成AIブームによりますます関心が高まっています。機械学習については、画像や自然言語といった馴染み深いデータを対象に扱うものについてはよく知られていますが、グラフと呼ばれるデータを扱うグラフニューラルネットワーク(GNN) については研究における注目度の割に、世間からの知名度がありません。 この記事では、グラフについて知らない方でも分かるように、最初にGNNが何に使えるのかの話を中心に解説した後、実際の仕組みを知りたい方向けにモデルの紹介や様々なトピックについて網羅的に解説します！また、最後に PyTorch Geometric(PyG) を利用した実装方法についても触れます。
【ネットワークの統計解析】第8回 事例紹介「Uber における GNN の活用」 - Sansan Tech Blog
こんにちは． DSOC 研究開発部の黒木裕鷹です． 夏の訪れを感じつつある最近ですが，ランニングをはじめました． 形から入ろうと思い，かっちょいいシューズとウェアを揃えたのですが，なんとか1週間は続いており気分が良いです． まだまだ2, 30分走るだけでバテバテになってしまいますが，いずれは健康大魔神になろうと思っています． さて，この連載では，自分の勉強・復習も兼ねて，ネットワークデータにまつわる（統計）解析を気の向くままに紹介しています． 前回の記事では，グラフラプラシアン・グラフフーリエ変換について簡単におさらいしました． あまり理論やモデルの紹介ばかりが続いても面白くないので，今回の記事ではビジネス応用の事例紹介をしたいと思います． 具体的には，Uber における GNN の適用事例を2つほど取り上げることにしました． 私たちの生活にもすっかり浸透した Uber や UberEat
概要 GNNは, 信号処理の観点でローパスフィルタの効果を持っている. そして, GNNが通常のMLPに比べて高精度となるようなデータでは, 低周波成分に(タスクに関して)有用な情報が多く含まれており, 高周波成分には無駄な情報が多いようなケースになっているように見受けれられる. また, 実際にタスクの精度を様々なフィルタで比較すると, 信号処理の観点での性質が反映された結果を与えている. GNNの最も大きな役割（通常のMLPとの違い）は, ローパスフィルタとしての性質の影響なのではないかと考えられる. 逆に言うと, ローパスフィルタとしての性質が生かせるようなデータが, GNNの効果が最も期待出来るものなのではないかと考えられる. 内容 はじめに GNNとはどのようなものだったか？ 信号処理のいくつか GNNのローパスフィルタとしての役割 まとめ 1. はじめに Graph Neural
PyTorch GeometricでGraph Neural Network（GNN）入門｜はやぶさの技術ノート
こんにちは。 現役エンジニアの”はやぶさ”@Cpp_Learningです。仕事でもプライベートでも機械学習で色々やってます。 今回はGraph Neural Network（以下 GNN）について勉強したので、備忘録も兼ねて本記事を書きます。
テラーノベルで機械学習を中心に担当している川尻です。最近、グラフニューラルネットワーク(GNN)に注目してサーベイしています。今回は、実際のテラーノベルのデータを簡単なモデルに適用してみたので報告します。 グラフニューラルネットワーク (GNN) グラフニューラルネットワーク（GNN）とは、グラフ理論において対象を「ノード」と「エッジ」からなる「グラフ」として扱うためのニューラルネットワークの一種です。例えば、テラーノベルにおいては、ノードがユーザーや作品の一つ一つを表し、エッジが「読んだ」「いいね」「フォロー」などを表します。ディープラーニングの発展に伴い、GNNの研究も盛んになっており、大規模なデータや様々なタスクに適用されるようになっています[1]。 テラーノベルでのグラフの例 arxivで投稿された年ごとの「Graph Neural Network」がタイトルに含まれている件数 G
近年、Google, Apple, Facebook, Amazonなど、世界を代表する企業で研究されている分析手法があります。それがグラフニューラルネットワーク(GNN)です。GNNは現在ではビジネスで結果を出す段階にまで進化を遂げてきました。 今回はGNNとは何かから、実際にどのような結果を出しているかを紹介します。 GNNとは何かグラフニューラルネットワーク (GNN) とは、グラフ上の問題を扱うニューラルネットワークです。 グラフとは、以下のノードとエッジから成るデータ構造を示します。 ・ノード：何かの対象を表す ・エッジ：ノード同士を結び、関係性を表す このグラフの使用例として、GNNでは以下のものがあります。 ・コミュニティ：ノード→人、エッジ→友人関係 ・交通：ノード→地点、エッジ→ルート ・化合物：ノード→原子、エッジ→結合 Graph Neural Networks: M
2019年7月3日、nlpaper.challengeが主催するイベント「第1回 NLP/CV最先端勉強会」が開催されました。NLP/CVの知見をもとにEmbedding やグラフ、対話応答、text2image などの様々な分野の最先端の研究成果をサーベイする本勉強会。今回は、グラフと対話応答のサーベイチーム報告会と、CVPR2019速報を行いました。プレゼンテーション「Graph: A Survey of Graph Neural Networks, Embedding, Tasks and Applications」に登壇したのは、内橋堅志氏。 グラフにまつわるサーベイまとめ Kenshi Uchihashi氏：僕はグラフについてサーベイしていまして、幅広くやっているのですが、特にGraph Neural NetworksやGraph Embedding、Link Predictio
Kamil Galeev on Twitter: "How sanctions are killing Russia? Russia's falling. Old sanctions of 2014 sabotaged development of new innovative… https://t.co/0Gnn21KNp0"
How sanctions are killing Russia? Russia's falling. Old sanctions of 2014 sabotaged development of new innovative… https://t.co/0Gnn21KNp0
グラフニューラルネットワーク(GNN; Graph Neural Network)入門 - あつまれ統計の森
前提知識 Transformerとグラフニューラルネットワーク 下記で詳しく取り扱いました。当記事は下記の副読的な内容になるように取りまとめました。 「Transformer＝グラフニューラルネットワーク＋ネットワーク分析」と大まかに解釈できるので、当記事ではグラフニューラルネットワークについて詳しく取り扱います。 集合と要素 グラフ理論では基本的に数ⅠAの「集合」で取り扱われる内容を元に立式されます。当項では「集合」の基本的な式表記の確認を行います。たとえばサイコロの出目の$1$〜$6$の集合を$X$とおくとき$X$は下記のように定義できます。 $$ \large \begin{align} X = \{ 1, 2, 3, 4, 5, 6 \} \end{align} $$ このとき$X$の要素を$x$とおくと、$x \in X$のように表すことができます。$x \in X$は$x$が$
ウンチスト瀕死🐇一部通知×🐇 on Twitter: "ある少年漫画家さんの、今回の環境型セクハラについて揶揄したツイを見て思い出したんだけど、 昔は私、普通にショルダーバッグを斜め掛けしてたんだよね。 で、その方の漫画に、斜め掛けショルダーバッグを「エロい」と揶揄する描写があって、結… https://t.co/82LCTH9GnN"
ある少年漫画家さんの、今回の環境型セクハラについて揶揄したツイを見て思い出したんだけど、 昔は私、普通にショルダーバッグを斜め掛けしてたんだよね。 で、その方の漫画に、斜め掛けショルダーバッグを「エロい」と揶揄する描写があって、結… https://t.co/82LCTH9GnN
舞田敏彦 on Twitter: "アラフィフ世帯の所得地図。 「失われた25年」だ。 https://t.co/j6cDEG1Gnn"
アラフィフ世帯の所得地図。 「失われた25年」だ。 https://t.co/j6cDEG1Gnn
はじめに こんにちは。ZENKIGENデータサイエンスチーム所属の廣田です。原籍はオムロンソーシアルソリューションズ株式会社 技術創造センタですが、社外出向でZENKIGENに所属しており、数理最適化や機械学習を用いたデータの分析業務をしております。 本記事でやること 本記事では、タイトル "station2vec" の名の通り[1]、Graph Neural Network (GNN)を用いて、 駅の埋め込み表現を3次元で可視化すると、以下のようなイメージです。このように、駅の特徴を視覚的・定量的に把握することが目的です。 駅の埋め込み表現 (station2vec) のイメージ 駅の埋め込み表現は、以下のように活用できます。 慣れ親しんだ駅と似た駅を探すことができる 事業者がイベントの開催地を決める時の判断材料の一つにできる 例えば関西出身者が土地勘のない関東に異動する際、慣れ親しんだ
3つの要点 ✔️ 画像をグラフ構造として表現するコンピュータビジョンモデル「Vision GNN(ViG)」の提案 ✔️ 画像のパッチをノードとみなし、近いパッチを繋いでグラフを構成し、不規則で複雑なオブジェクトを表現する ✔️ 画像認識と物体検出に関する実験により、提案するViGアーキテクチャの優位性を実証した Vision GNN: An Image is Worth Graph of Nodes written by Kai Han,Yunhe Wang,Jianyuan Guo,Yehui Tang,Enhua Wu (Submitted on 1 Jun 2022 (v1), last revised 4 Nov 2022 (this version, v3)) Comments: NeurIPS 2022 Subjects: Computer Vision and Patter
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
グラフニューラルネットワーク(GNN)徹底解説！用途と仕組みからPyGでの実装まで
GNNとグラフ信号処理 - 理とかなんとか
グラフニューラルネットワーク(GNN)を使ったタグ分類
GAFAも注目するグラフニューラルネットワーク(GNN)活用法｜Tack@データサイエンス
グラフ構造にまつわるサーベイ結果まとめ GNNからApplicationsまで Part1
station2vec: 関東の横浜駅は関西の神戸三宮駅？ GNNを用いた駅の埋め込み表現の学習
グラフ構造を用いたコンピュータビジョンモデル「Vision GNN」
taikankyohou.com
diamond.jp
kofukutrading.com
ema625.hatenadiary.com
katari-mata-katari.hatenablog.com
mm33mm33ut.hatenablog.com