가중 그래프에 대한 LSTM 오토인코더 기반 임베딩 기법 :An LSTM Autoencoder-based Embedding Technique for Weighted Graphs

서민지

추천

검색

자료유형: 학위논문

저자정보: 서민지 (숙명여자대학교, 숙명여자대학교 대학원)

지도교수: 이기용

발행연도: 2020

저작권: 숙명여자대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (2)

2020

가중 그래프에 대한 LSTM 오토인코더 기반 임베딩 기법

서민지 컴퓨터과학과 2020.01 학위논문

2019

가중치 그래프를 위한 LSTM 오토인코더 기반 임베딩 기법

서민지 , 이기용 한국정보과학회 학술발표논문집 2019.12 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

그래프 데이터는 여러 노드들과 노드 사이의 간선들로 구성된 데이터이다. 최근 이러한 그래프 데이터와 딥러닝 기술을 접목시킨 여러 연구가 다양한 분야에서 진행되고 있다. 그 가운데 그래프 임베딩은 주어진 그래프를 그의 구조와 같은 특징을 잘 유지하면서 저차원 공간상의 벡터로 표현하는 연구 분야이다. 현존하는 그래프 임베딩 연구의 경우, 그래프 내에 존재하는 노드들의 특징을 추출하여 각 노드를 저차원 벡터로 표현하는 노드 임베딩 방법과 그래프의 구조적 특징을 고려하여 그래프 전체를 하나의 저차원 벡터로 표현하는 전체 그래프 임베딩 방법 등이 있다. 이들 중 현재까지 진행된 딥러닝 기반 전체 그래프 임베딩 연구들의 경우 그래프의 구조와 그래프 내 존재하는 노드를 초점으로 그래프의 특징을 추출하는 연구가 대부분으로, 그래프 내의 노드 간 간선에 가중치가 존재하는 가중 그래프에 대한 그래프 임베딩 연구는 아직 많은 연구가 진행되지 않았다. 가중 그래프는 원소 간의 거리나 결합력이 주어진 화합물을 표현하거나 사람 간의 친밀도가 주어진 소셜 네트워크 등을 표현할 때 사용될 수 있다. 하지만 지금까지 제안된 그래프 임베딩 기법들은 이러한 그래프의 가중치를 고려하지 않기 때문에 기존 방법을 사용하는 경우 그래프의 가중치 정보를 전혀 고려하지 않고 그래프의 임베딩을 수행한다는 문제를 지니고 있다. 따라서 본 논문에서는 노드 간 가중치를 갖는 가중 그래프를 위해 가중치 정보까지 고려하는 그래프 임베딩 기법에 대해 제안한다.
본 논문에서 제안하는 그래프 임베딩 기법은 가중 그래프들이 주어지면 각 가중 그래프로부터 내부에 존재하는 노드-가중치 시퀀스들을 추출한다. 그 다음 이들을 훈련 데이터로 사용하여 LSTM 오토인코더 모델을 학습시킨 다음 학습된 LSTM 오토인코더 모델로부터 각 노드-가중치 시퀀스에 대한 임베딩 벡터를 추출한다. 마지막으로 각 그래프에 대해 그로부터 추출한 노드-가중치 시퀀스들의 임베딩 벡터들을 모아 하나의 최종 임베딩 벡터를 생성한다. 이렇게 얻어진 가중 그래프의 임베딩 벡터는 가중 그래프 간 유사도 측정이나 가중 그래프의 분류 및 유사 가중 그래프 탐색 등에 활용될 수 있다. 본 논문에서는 실제 유사한 구조와 가중치로 구성된 그래프 데이터와 구조와 가중치가 매우 다른 그래프 데이터를 혼합한 실험을 통해, 제안 방법이 실제 유사한 가중 그래프 탐색에 효과적으로 활용될 수 있음을 확인하였다.

Graph data is data composed of several nodes and edges between nodes. Recently, various researches combining graph data and deep learning technology have been conducted in various fields. Among them, graph embedding is a research field that expresses a given graph as a vector in low-dimensional space while maintaining the same characteristics as its structure. In the existing graph embedding research, there are node embedding methods that extract the characteristics of the nodes present within the graph and represent each node as a low-dimensional vector, and a whole-graph embedding method that presents the whole graph as one low-dimensional vector considering the structural characteristics of the graph. Most of these deep learning-based whole-graph embedding researches have been done to date, with the structure of the graph and the focus of the existing nodes in the graph, so that no number of graph embedding researches have been done yet on weighted graphs with weights on the edges within the graph. Weighted graphs can be used to represent compounds given distance or binding power between elements, or to express social networks with a given degree of intimacy between people. However, the graph embedding techniques proposed so far do not consider the weights of the graphs, and thus have the problem of embedding the graphs without considering the weight information of the graphs. Thus, in this paper, we propose a graph embedding method that considers weight information for weighted graph with weights between nodes.
The graph embedding technique proposed in this paper extracts node-weight sequences that exist internally from each weighted graph when weighted graphs are given. Then we use them as training data to train the LSTM autoencoder model and then extract the embedding vector for each node-weight sequence from the learned LSTM autoencoder model. Finally, for each graph, the embedding vectors of node-weight sequences extracted from them are collected to create one final embedding vector. The embedding vectors on these weighted graphs can be used to measure similarity between weighted graphs or to classify weighted graphs and to search similar weighted graphs. In this paper, we confirmed that the proposed method can be effectively used to search similar weighted graphs by experimenting with graph data composed of similar structures and weights and graph data with very different structures and weights.

#그래프 임베딩 #가중 그래프 임베딩 #딥러닝 #가중 그래프 #그래프 유사도

I. 서론 = 1
II. 관련 연구 = 5
2.1 그래프 임베딩 = 5
2.2 딥러닝을 이용한 그래프 임베딩 = 7
III. 딥러닝 모델 = 10
3.1 장단기 기억 (Long Short-Term Memory, LSTM) 네트워크 = 10
3.2 오토인코더 (Autoencoder) = 13
IV. 제안 그래프 임베딩 기법 = 15
4.1 노드-가중치 시퀀스 추출 = 15
4.2 LSTM 오토인코더 학습 = 20
4.2.1 LSTM 오토인코더 모델 = 20
4.2.2 노드-가중치 시퀀스 인코딩 = 25
4.2.3 손실 함수 (loss function) = 27
4.3 최종 임베딩 벡터 생성 = 30
V. 실험결과 = 33
5.1 실험 데이터 = 33
5.2 실험 결과 = 36
5.2.1 문자 인코딩을 사용한 경우 = 39
5.2.2 원-핫 인코딩을 사용한 경우 = 44
5.2.3 기존 연구[10, 12]와 제안 방법 간의 성능 비교 = 49
5.3 실데이터를 이용한 실험 결과 = 56
VI. 결론 = 61

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)