연구목표 |
그래프 표현학습은 그래프를 특성 벡터로 나타내는 기술로, 기계학습 및 데이터 마이닝 분야에서 다양한 문제 해결의 근간이 되는 기술이다. 본 연구과제는 그래프의 구조적, 시간적, 복합적 확장성을 고려한 새로운 그래프 표현학습 프레임워크를 설계하는 것을 목표로 한다. Higher-Order Structure를 고려한 구조적 확장을 통해 그래프의 계층적 구조 및... |
연구내용 |
그래프의 구조적, 시간적, 복합적 확장성을 고려한 새로운 그래프 표현학습 프레임워크를 설계하기 위하여 3년간 연구를 진행할 예정이다. 1차년도 연구에서는 그래프의 구조적 확장성을 고려하기 위해 Higher-Order Structure를 반영한 특성 벡터 생성 기술에 대해 연구한다. 그래프에 내재되어 있는 계층적 구조를 투영할 수 있는 그래프 임베딩 기술에 ... |
기대효과 |
그래프 표현학습 기술을 구조적, 시간적, 복합적 관점에서 확장하여 새로운 그래프 표현학습 모델을 설계함으로써 그래프 기계학습 및 마이닝 분야의 원천 기술을 확보할 것이다. Higher-Order Structure 기반 표현학습은 지식 그래프 링크 예측기반 Question Answering 분야에 활용될 수 있다. Inductive Learning 기반의 그... |
키워드 |
그래프,표현학습,임베딩,확장성,고차원 구조,유도적 학습,멀티모달 데이터,기계학습,데이터 마이닝 |