논문 링크 : https://arxiv.org/abs/1801.07455 ​ Github : https://github.com/yysijie/st-gcn GitHub - yysijie/st-gcn: Spatial Temporal Graph Convolutional Networks (ST-GCN) for Skeleton-Based Action Recognition in PyTorch Spatial Temporal Graph Convolutional Networks (ST-GCN) for Skeleton-Based Action Recognition in PyTorch - GitHub - yysijie/st-gcn: Spatial Temporal Graph Convolutional Networks (ST-GC..

논문 링크 : https://arxiv.org/abs/2006.10637 Github : https://github.com/twitter-research/tgn 지금까지 GNN 모델은 주로 시간이 지나도 변하지 않는 정적 그래프 위주로 연구되어 왔습니다 . 그러나 소셜 네트워크, 금융 거래 및 추천 시스템을 포함한 많은 분야들의 실제 그래프는 동적이며 시간이 지남에 따라 변화합니다. 이러한 분야에서 정적 그래프만 고려하면 상당히 많은 정보가 손실될 수 있습니다. 동적 그래프는 노드 및 엣지의 추가 또는 삭제와 같은 시간에 따라 변하는 이벤트의 정렬된 목록 또는 비동기 "스트림"으로 나타낼 수 있습니다. 예를 들면,Twitter와 같은 소셜 네트워크는 사람이 새로 가입하면 새 노드가 생성되고, 다른 사용자..

논문 링크 : https://arxiv.org/abs/1803.03324 참고 자료 : https://qdata.github.io/deep2Read//MoreTalksTeam18/Arsh18-DGenerateGraph.pdf ​ * 논문의 대략적인 내용만 이해하고 작성하였습니다. 틀린 내용이 있을 수도 있으니 세부적인 내용은 원논문을 참고해주세요! * ​ 이 논문에 대해서 간략히 설명하면 현재의 그래프에서 입력으로 들어온 새로운 노드를 추가할 것인지 결정하여 새로운 상태의 그래프를 생성하는 문제에 대한 논문입니다. 노드를 추가할지 결정할 때는 당연히 그래프의 전체적 구조와 노드의 속성을 고려하여 결정하게 되고 입력으로 들어오는 노드의 순서도 고려할 수 있다고 합니다. ​ ​ 위 그림은 전체 프로세스를 나..

논문 링크 : https://arxiv.org/abs/1802.08773 Github : https://github.com/JiaxuanYou/graph-generation 1. 그래프로부터 그래프 생성방법 직접 학습합니다. => 서로 다른 노드 순서로 그래프를 시퀀스로 표현가능 => 입력노드 순서에 따라 서로 다른 그래프가 생성되는 것이 아닌 동일한 그래프가 생성되도록 회귀모델을 제안 => 노드와 엣지의 개수가 다양해도 그래프생성 가능 ​ 2. 기존 Graph Generation 연구의 문제점은 다음과 같습니다. - 크고 다양한 output => N개의 노드 -> n^2 개의 output - 노드의 집합이나 개수가 미리 정해져 있어야 함 - 복잡한 종속성 => 두 노드가 공통 이웃을 가지면 연결될 가능..