그래프기반 딥러닝 모델링 개발

소개

"그래프기반 딥러닝 모델링 개발"에 대한 내용입니다.

목차

Ⅰ. 서론

Ⅱ. 본론
1. Graph 표현방법
2. Graph 데이터 분석 방법
3. 적용분야

Ⅲ. 결론

Ⅳ. 참고문헌

본문내용

I. 서론
정보를 표현하는 방법은 다양하다. 여러 가지 방법 중에 그래프 기반 표현 방법이 있는데 최근 들어 이러한 표현방법과 딥러닝 분석방법을 활용한 산업 적용사례가 많아지고 있다. 본 보고서에서는 이러한 그래프 기반 표현방법에 대해서 알아보며 바이오 화학 분야 분석 관점에서 실제 적용사례를 살펴보고자 한다. 특히 화학 합성물 분석 분야에 있어 어떠한 장점이 있는지에 대해 사례 조사를 통하여 해당 내용을 상세히 살펴보도록 하겠다. 이외에도 그래프 분석 방법은 패션분야에서도 활용되고 있는데 이에 대해서도 상세히 알아보도록 하겠다. 이와 더불어 그래프 분석 방법을 딥러닝에 접목한 분석방법으로 GCN(Graph Convolution Network)가 있는데 이에 대해서 상세히 알아보고 적용사례 측면에서 어떠한 의미가 있는지에 대해서도 알아보도록 하겠다.

II. 본론
1. Graph 표현방법
대부분의 머신러닝에서는 입력데이터가 유클리드 공간에 존재함으로 가정하고 문제를 해결한다. 예를 들면 통계 데이터 및 이미지 데이터와 같이 1차원이나 2차원 벡터의 형태로 표현할 수 있어야 한다. 하지만 소셜 네트워크, 관계형 데이터베이스, 분자구조 등과 같이 객체들 간의 관계로 표현되는 데이터는 그래프로 표현하는 것이 정보의 손실을 최소화할 수 있다.

참고자료

· 김성훈 외(2021), 전이학습과 그래프 합성곱 신경망 기반의 다중 패션 스타일 인식, 한국전자거래학회지
· 김도환 외(2021), 대뇌피질 표면의 특징을 이용한 나이 및 성별 예측을 위한 그래프 기반 딥러닝 기법의 비교연구, 한국컴퓨터 종합학술대회
· 박재희 외(2021), 그래프 합성곱 신경망을 이용한 알츠하이머 치매환자 분류, 대한전자공학회
· 웹사이트 : untitledblog.tistory.com/152