그래프 신경망 입문

1장. 서론
1.1 동기
1.1.1 합성곱 신경망
1.1.2 네트워크 임베딩
1.2 관련 연구


2장. 수학 및 그래프 기초
2.1 선형대수학
2.1.1 기본 개념
2.1.2 고유분해
2.1.3 특잇값 분해
2.2 확률
2.2.1 기본 개념과 공식
2.2.2 확률분포
2.3 그래프 이론
2.3.1 기본 개념
2.3.2 그래프의 대수적 표현


3장. 신경망 기초
3.1 뉴런
3.2 역전파
3.3 신경망


4장. 기본 그래프 신경망
4.1 서론
4.2 모델
4.3 한계


5장. 그래프 합성곱 네트워크
5.1 스펙트럼 방법
5.1.1 스펙트럼 네트워크
5.1.2 ChebNet
5.1.3 GCN
5.1.4 AGCN
5.2 공간 방법
5.2.1 뉴럴 FPS
5.2.2 PATCHY-SAN
5.2.3 DCNN
5.2.4 DGCN
5.2.5 LGCN
5.2.6 MoNet
5.2.7 GraphSAGE


6장. 그래프 순환 네트워크
6.1 게이트 그래프 신경망
6.2 Tree-LSTM
6.3 그래프 LSTM
6.4 S-LSTM


7장. 그래프 어텐션 네트워크
7.1 GAT
7.2 GaAN


8장. 그래프 잔차 네트워크
8.1 하이웨이 GCN
8.2 지식 점프 네트워크
8.3 DeepGCNs


9장. 다양한 그래프 종류
9.1 유향 그래프
9.2 이종 그래프
9.3 에지 정보가 있는 그래프
9.4 동적 그래프
9.5 다차원 그래프


10장. 고급 학습 방법
10.1 샘플링
10.2 계층적 풀링
10.3 데이터 증강
10.4 비지도 학습


11장. 일반적인 프레임워크
11.1 메시지 전달 신경망
11.2 비지역 신경망
11.3 그래프 네트워크


12장. 응용: 구조 시나리오
12.1 물리
12.2 화학과 생물
12.2.1 분자 핑거프린트
12.2.2 화학 반응 예측
12.2.3 약물 추천
12.2.4 단백질과 분자 상호작용 예측
12.3 지식 그래프
12.3.1 지식 그래프 채우기
12.3.2 귀납 지식 그래프 임베딩
12.3.3 지식 그래프 정렬
12.4 추천 시스템
12.4.1 행렬 채우기
12.4.2 소셜 추천


13장. 응용: 비구조 시나리오
13.1 이미지
13.1.1 이미지 분류
13.1.2 시각적 추론
13.1.3 의미 구분
13.2 문자
13.2.1 문자 분류
13.2.2 시퀀스 레이블링
13.2.3 신경 기계 번역
13.2.4 관계 추출
13.2.5 사건 추출
13.2.6 사실 확인
13.2.7 그 밖의 응용


14장. 응용: 기타 시나리오
14.1 생성 모델
14.2 조합적 최적화


15장. 오픈소스
15.1 데이터셋
15.2 구현


16장. 결론