그래프 이상치 탐지를 위한 절단 친화력 극대화: 단일 클래스 동질성 모델링
정상 노드들은 서로 강한 연결/친화력을 가지지만, 비정상 노드들의 동질성은 정상 노드들에 비해 크게 약하다는 것을 발견하였다. 이러한 이상치 구분 특성을 활용하여 지역 노드 친화력이라는 새로운 비지도 이상치 점수 척도를 제안하고, 이를 최대화하는 절단 친화력 극대화(TAM) 모델을 개발하였다.
그래프 클러스터링 방법의 분류와 특성 분석
그래프 데이터에서 커뮤니티 구조를 탐지하는 다양한 클러스터링 기법들은 이론적으로 엄밀하게 분석하기 어려운 경우가 많다. 본 연구에서는 단조성과 해상도 제한이 없는 클러스터링 기법들을 대상으로 대표성 있는 클러스터링 방법을 정의하고, 이러한 방법들이 다항식 시간 내에 계산 가능함을 보였다.
효율적인 사전 학습 그래프 변환기를 이용한 무감독 커뮤니티 검색
사전 학습된 그래프 변환기를 활용하여 레이블이 없는 상황에서도 효율적이고 정확한 커뮤니티 검색을 수행할 수 있다.
그래프의 타원체 임베딩
그래프의 노드를 타원체 표면 상의 좌표로 임베딩하는 방법을 제안한다. 이 방법은 스펙트럼 임베딩 기법의 대안이 될 수 있으며, 모듈러리티 최대화와 같은 그래프 분석 문제에 활용될 수 있다.
방향성 있는 가중치 그래프에 대한 최적 전송 거리
방향성 있는 가중치 그래프를 비교하기 위해 일반화된 유효 저항 거리와 마르코프 체인 도달 시간 거리를 활용한 최적 전송 거리 측정 방법을 제안한다.
심층 시계열 그래프 클러스터링: TGC 프레임워크 소개
시간적 그래프 클러스터링의 유연성과 성능 향상을 위한 TGC 프레임워크 소개
그래프 데이터셋을 노드 분류하기 위한 특성화
일반적으로 사용되는 Homophily 측정 방법에는 중요한 단점이 있으며, 이를 극복하기 위해 조정된 Homophily를 제안하고, 라벨 정보성이 더 나은 성능을 보이는 것을 확인함.
© 2024 by Linnk AI