BBong's Story

GraphStom: All-in-one Graph Machine Learning Framework for Industry Application교수님 스타일이 최신 논문 리스트를 주고, 그중에서 한개를 선택해서 눈문 분석 발표를 하게 한후, 그 내용을 바탕으로 퀴즈를 진행하다.40여개의 논문중에서 그나마 제일 쉬워 보이는(수식이 없었다.) 이 논문을 선택했었다.요약GraphStorm은 산업 환경에서의 그래프 머신 러닝(GML) 적용을 단순화하고 확장성을 제공하는 혁신적인 프레임워크이다. 2023년 5월에 출시되어 노코드/로우코드 솔루션을 통해 대규모 그래프 처리, 모델 학습, 추론 작업을 간소화한다.주요 특징확장성: 수십억 개의 노드와 엣지를 가진 그래프를 처리하며, 하드웨어 환경에 맞게 확장 가능.사용 ..

Machine Learning-based Intraday Stock Price Prediction with high-frequency data analysisIntroductionStock market prediction is a complex but fascinating area in financial technology. Our project aimed to develop a machine-learning-based intraday stock price prediction model using high-frequency data. By progressing through three milestones, we refined our approach, integrated meaningful features..

Lecture 12: Structure and Inference in Hypergraphs with Node Attributes강의 개요이 강의는 하이퍼그래프(Hypergraph)의 구조적 특성과 노드 속성(Node Attributes)을 통합하여 커뮤니티 탐지 및 하이퍼엣지 예측을 개선하는 방법론을 다룬다.이를 통해 전통적 그래프가 표현하지 못했던 그룹 상호작용과 속성 정보를 효과적으로 활용하는 모델을 제안한다.1. 하이퍼그래프의 정의와 중요성하이퍼그래프 정의하이퍼그래프는 전통적인 그래프의 확장으로, 엣지(하이퍼엣지)가 2개 이상의 노드를 연결할 수 있는 구조를 가진다.$G = (V, E)$여기서 $V$는 노드 집합, $E$는 하이퍼엣지 집합이다.전통적인 그래프는 $E \subseteq V \times..

Lecture 11: Artificial neural networks (ANNs), backpropagation, representation learning. Graph neural networks (GNNs). Distributed neural networks. Case studies to social systems, systems biology & computer systems research강의 개요이번 강의는 딥러닝의 주요 개념인 Deep Neural Networks (DNNs), Recurrent Neural Networks (RNNs), Graph Neural Networks (GNNs)를 다룬다. 주요 초점은 각 모델의 구조, 학습 알고리즘, 그리고 대표적인 응용 사례에 맞춰져 있다.1. M..

Lecture 10: Fractional difference operators. Single variable autoregressive fractionally integrated moving average (ARFIMA) & multi-variate ARFIMA models. Applications to physiological processes, brain activity mining, and brain-machine interfaces 강의 개요이 강의에서는 Fractional Calculus (FC)의 개념과 Fractional Difference Operators를 탐구하며,ARFIMA (Autoregressive Fractionally Integrated Moving Average) 모델의 수학..

Lecture 8: Graphon definitions & Multifractal graph generators: definitions, mathematical properties, controlling multifractality of weighted graphs / networks. Case studies in living (biological) neuronal networks from neuronal cultures and brain, chromatin conformation, material sciences 강의 개요이번 강의는 Graphons의 정의와 수학적 성질, 그리고 Multifractal Graph Generators의 개념과 응용을 다룬다.특히, Graphons를 활용하여 대규모 네트워..

Lecture 6: Detecting phase transition in time-varying weighted graphs from partial information: Forman-Ricci Curvature, phase transition detection algorithms, case studies and applications강의 개요이번 강의에서는 Forman-Ricci Curvature (FRC)를 중심으로, 시변 네트워크(Time-Varying Networks)에서의 구조적 변화와 상 변화 탐지(Phase Transition Detection)를 다룬다.FRC의 정의, 계산법, 주요 특성, 그리고 다양한 응용 사례를 상세히 살펴본다.1. Forman-Ricci Curvature (FRC)F..

Lecture 5: Differential Geometry of Networks:Ollivier-Ricci curvature, community detection, applications. Implications for automatic parallelization of software and hardware-soft-codesign, machine learning and artificial intelligence.강의 개요이번 강의는 네트워크의 기하학적 구조 분석을 위한 미분 기하학(Differential Geometry)와 Ollivier-Ricci Curvature (ORC)에 초점을 맞춘다.ORC는 그래프의 곡률을 정의하여 네트워크 커뮤니티 탐지와 정보 전달 메커니즘을 이해하는 데 사용된다.주요 ..

강의 개요이번 강의에서는 Node-based Multifractal Analysis (NMFA)의 개념과 방법론을 다룬다.NMFA는 네트워크의 복잡성과 다중 스케일 특성을 분석하며, Watts-Strogatz 네트워크의 위상 전이와 다양한 응용 가능성을 탐구한다.1. Fractal Analysis프랙탈 정의프랙탈은 자기유사성을 가지며, 각 부분이 전체의 축소된 버전으로 간주된다.프랙탈 차원 계산Box-counting 방법을 통해 프랙탈 차원을 계산하며 다음 관계를 따른다:$ D = \lim_{r \to 0} \frac{\log N(r)}{\log(1/r)} $여기서 $ N(r) $은 크기 $ r $의 박스 수를 의미한다.네트워크에서의 프랙탈 분석Renormalization과 Box-covering 방법을..

Multifractals와 Multifractal Analysis 개요이 강의에서는 Multifractal 이론과 그래프의 고차 통계 분석을 다룹니다. 주요 내용은 다음과 같습니다:     1. Multifractal의 정의와 특성     2. Hierarchical Resistor Network (HRN) 모델     3. Mass Exponent와 Generalized Fractal Dimension     4. Lipschitz-Hölder Exponent와 Multifractal Spectrum     5. Multifractal Detrended Fluctuation Analysis (MFDFA)     6. 복잡한 네트워크에서의 Multifractal 분석  1. Multifractal의 개념..