The Journal of the Convergence on Culture Technology (문화기술의 융합)

The International Promotion Agency of Culture Technology (국제문화기술진흥원)
권호 표지
DOI QR코드

DOI QR Code

Research on Performance of Graph Algorithm using Deep Learning Technology

딥러닝 기술을 적용한 그래프 알고리즘 성능 연구

  • Giseop Noh (Dept. of Software Convergence, Cheongju Univ)
  • 노기섭 (청주대학교 소프트웨어융합학부)
  • Received : 2023.10.05
  • Accepted : 2023.11.05
  • Published : 2024.01.31
Download PDF
⟨ Previous Next ⟩

Abstract

With the spread of various smart devices and computing devices, big data generation is occurring widely. Machine learning is an algorithm that performs reasoning by learning data patterns. Among the various machine learning algorithms, the algorithm that attracts attention is deep learning based on neural networks. Deep learning is achieving rapid performance improvement with the release of various applications. Recently, among deep learning algorithms, attempts to analyze data using graph structures are increasing. In this study, we present a graph generation method for transferring to a deep learning network. This paper proposes a method of generalizing node properties and edge weights in the graph generation process and converting them into a structure for deep learning input by presenting a matricization We present a method of applying a linear transformation matrix that can preserve attribute and weight information in the graph generation process. Finally, we present a deep learning input structure of a general graph and present an approach for performance analysis.

다양한 스마트 기기 및 컴퓨팅 디바이스의 보급에 따라 빅데이터 생성이 광범위하게 일어나고 있다. 기계학습은 데이터의 패턴을 학습하여 추론을 수행하는 알고리즘이다. 다양한 기계학습 알고리즘 중에서 주목을 받는 알고리즘은 신경망 기반의 딥러닝 학습이다. 딥러닝은 다양한 응용이 발표되면서 빠른 성능 향상을 달성하고 있다. 최근 딥러닝 알고리즘 중에서 그래프 구조를 활용하여 데이터를 분석하려는 시도가 증가하고 있다. 본 연구에서는 그래프 구조를 활용하여 딥러닝 네트워크에 전달하기 위한 그래프 생성 방법을 제시한다. 본 논문은 그래프 생성 과정에서 노드의 속성과 간선의 가중치를 일반화하고 행렬화 과정을 제시하여 딥러닝 입력에 필요한 구조로 전환하는 방법을 제시한다. 그래프 생성 과정에서 속성과 가중치 정보를 보전할 수 있는 선형변환 매트릭스 적용 방법을 제시한다. 마지막으로 일반 그래프의 딥러닝 입력 구조를 제시하고 성능 분석을 위한 접근법을 제시한다.

Keywords

Acknowledgement

이 논문은 2022. 3. 1.~ 2024. 2. 28. 학년도에 청주대학교 산업과학연구소가 지원한 학술연구 조성비(특별연구과제)에 의해 연구되었음.

References

  1. Kamilaris, A., & Prenafeta-Boldu, F. X., "Deep learning in agriculture: A survey." Computers and Electronics in Agriculture, Vol. 147, pp. 70-90, April 2018. DO: 10.1016/j.compag.2018.02.016 
  2. Z. Li, F. Liu, W. Yang, S. Peng, and J. Zhou, "A survey of convolutional neural networks: analysis, applications, and prospects," IEEE Transactions on NNLS, 2021. DOI: 10.1109/TNNLS.2021.3084827 
  3. S. Grossberg, "Recurrent neural networks," Scholarpedia, Vol. 8, No. 2, p. 1888, 2013. DOI: 10.4249/scholarpedia.1888 
  4. Z. Wu, S. Pan, F. Chen, G. Long, C. Zhang, and S. Y. Philip, "A comprehensive survey on graph neural networks," IEEE Transactions on NNLS, Vol. 32, No. 1, pp. 4-24, 2020. DOI: 10.1109/TNNLS.2020.2978386 
  5. P. GunWoo, "CNN and SVM-Based Personalized Clothing Recommendation System : Focused on Military Personnel," JCCT, Vol. 9, No. 1, pp. 347-353, 2023. 
  6. S.-H. Choi, J.-H. Kim, J.-D. Oh, and K.-S. Kong, "A Smart Closet Using Deep Learning and Image Recognition for the Blind," JIIBC, Vol. 20, No. 6, pp. 51-58, 2020. DOI : 10.7236/JIIBC.2020.20.6.51 
  7. K.-H. Ann and S.-Y. Ohm, "A COVID-19 Chest X-ray Reading Technique based on Deep Learning," JCCT, Vol. 6, No. 4, pp. 789-795, 2020. DOI: 10.17703/JCCT.2020.6.4.789 
  8. S. Zhang, H. Tong, J. Xu, and R. Maciejewski, "Graph convolutional networks: a comprehensive review," Computational Social Networks, Vol. 6, No. 1, pp. 1-23, 2019.  https://doi.org/10.1186/s40649-019-0061-6
  9. Z. Liu and J. Zhou, "Graph Recurrent Networks," Introduction to Graph Neural Networks Springer, pp. 33-37, 2020. 
  10. P. Velickovic, G. Cucurull, A. Casanova, A. Romero, P. Lio, and Y. Bengio, "Graph attention networks," stat, Vol. 1050, No. 20, pp. 10-48550, 2017. DOI: 10.48550/arXiv.1710.10903