데린이 고인물되기

1강 행렬과 행렬식연립 일차 방정식(1) 행렬의 표현예를 들어, $ \begin{cases} x + 2y = 5 \\[1em] 2x + 3y = 8 \end{cases} $ 를$ \begin{pmatrix} 1&2&5 \\[1em] 2&3&8\end{pmatrix} $로 표현 $ \Rightarrow $ 가우스 조던 소거법으로 품$ \begin{pmatrix} 1&2&5 \\[1em] 2&3&8\end{pmatrix} $ : 첨가행렬$ \begin{pmatrix} 1&2 \\[1em] 2&3\end{pmatrix} \begin{pmatrix} x \\[1em] y \end{pmatrix} = \begin{pmatrix} 5 \\[1em] 8 \end{pmatrix} $로 표현 $ \Rightarrow $..

1. 멀티홉 path를 higher level에 매핑함.(state abstraction fucntion) 이렇게 하면 추출된 high-level path가 모두 feasible하다는 것이 보장되어 있음(Theorem 1)(infeasible path추출한 방식은 단일 홉을 상위 레벨에 매핑했었음.내 생각에는 하위 레벨에 있는 짧은 hop path 여러개를 상위 레벨에 매핑해서 상위레벨에서 그게 하나의 경로가 되거나 그렇게 축약이 되는 거다 보니 infeasible한 경로가 나오는듯) 2. abstract MDP와 bottom-level MDP에서 action space를 동일하게 가져가줌. action space가 동일하다는건 l 레벨에서 policy가 concept가 아니라 entity를 선택할 수 ..

https://www.youtube.com/watch?v=AHCt4Phgn9k&list=PL_iJu012NOxehE8fdF9me4TLfbdv3ZW8g&index=21https://www.youtube.com/watch?v=3Ch14GDY5Y8&list=PL_iJu012NOxehE8fdF9me4TLfbdv3ZW8g&index=2 MDP(Markov Decision Process)state, action,policy : \(P(a_t|s_t)\). \(s_t\)에서 어떤 action을 할지에 대한 분포. action을 결정하는것이 policytransition probability : \(P(s_2|s_1,a_1)\) 강화학습의 goal = maximize Reward = maximize return = m..

https://taewan2002.medium.com/kgat-paper-review-457031b9fa28 KGAT paper reviewKGAT는 Knowledge graph attention network으로 “지식 그래프”와 “어텐션”을 활용하는 추천 모델입니다. 이전의 FM, Wide&Deep 등 SL 방식의 모델들이 side-information을 잡으려고 했지만…taewan2002.medium.comhttps://process-mining.tistory.com/193 TransR knowledge graph embedding 설명 (TransR 설명)TransR은 knowledge graph embedding 방법 중 하나로, projection matrix를 활용해서 head와 tail n..

일개 학부생의 생각이므로 틀린 내용이 많을 수 있습니다..목적PGPRReMR검색 공간을 줄이고 효율적 경로 탐색action pruning strategy,beam search-based algorithmtop-down 전략policy-guided path searching 을 가능하게 하기 위해 강화학습 사용지식 그래프 + RL지식 그래프 + RL level에 대해 특별히 언급 X. ReMR 관점에서 굳이 따져보자면 single-level reasoning 으로볼 수 있을 듯. ReMR에서 PGPR을 single-level reasoning이라고는함.multi-level reasoning 하나의 KG에서 경로 추론ontology-view KG와 instance-vies KG, 2가지 유의 KG를결합해 경..

더보기AbstractAbstract추천 시스템에 KG를 통합하는 것은 최근 몇 년 동안 점점 더 많은 관심을 끌고 있음. KG 내의 interlinks(상호 연결)을 탐색함으로써 user와 item 간의 연결성을 paths로 발견할 수 있고 이는 user-item interactions에 풍부하고 보완적인 정보를 제공해줌. 이러한 연결성은 엔티티와 relation의 semantics(의)를 드러낼 뿐만 아니라 user의 interest을 이해하는 데도 도움이 됨.그러나 기존의 노력들은 경로 내의 순차적 종속성(sequential dependencies)과 전체적인 의미를 모델링하는 측면에서 user 선호도를 추론하기 위해 이 연결성을 충분히 탐구하지 못했음.본 논문에서는 추천을 위해 지식 그래프를 활용하..

더보기일논문 읽기 전, 대략적인 내용 파악1. 서론최근 개인화 추천 시스템에서는 지식 그래프(Knowledge Graph, KG)의 구조화된 정보를 활용한 연구가 활발히 진행되고 있다. 대부분의 기존 연구는 더 정확한 추천을 위해 지식 그래프를 활용하는 데 중점을 두지만, 본 논문에서는 명시적인 지식 추론을 통해 추천을 생성하고 이를 해석 가능한 인과 추론 절차로 지원하는 방법을 제안한다. 이를 위해 정책 기반 경로 추론(Policy-Guided Path Reasoning, PGPR) 방법을 제안하며, 추천과 해석 가능성을 결합하여 실제 경로를 제공한다.핵심 키워드: 지식 그래프, 개인화 추천, 정책 기반 경로 추론, 해석 가능성2. 연구 문제 및 방법기존의 KG 기반 추천 방법은 주로 KG 임베딩 모델..

https://medium.com/codex/understanding-ontologies-and-knowledge-graphs-4664afc4f961 Understanding Ontologies and Knowledge GraphsKnowledge graphs have taken many by storm. Its ability to represent data and derive inferences have proved to be a game changer for…medium.com사전에 읽으면 좋을  것 같은 논문:https://dl.acm.org/doi/pdf/10.1145/3292500.3330838https://www.cs.cmu.edu/~mmv/papers/04aaai-pat.pdf   (abst..

세종대 & 인하대 데이터사이언스학과 연합 학술제에서 최우수상을 수상하였습니다!수상한 프로젝트에서 좀 더 디벨롭하여 추가 활동까지 함께 작성해두었습니다데이터는 데이콘의 이커머스 데이터를 사용하였고, 되게 다양한 분석들이 있으니 그것도 참고하시면 좋을 듯 합니다관련 코드는 제 깃허브에 있으니 참고해주세요. 1. 분석 개요1.1. 배경트렌드 코리아 2023 도서에 따르면 평균 실종, 선제적 대응 기술이라는 키워드가 등장합니다.평균실종이란 평균이 사라지고 양극화가 심화된다는 말로, 개인주의성향이 강해짐에 따라서 초다극화된 시장이 트렌드가 된 현상선제적 대응 기술이란 고객이 불편함을 깨닫기도 전에 판매자가 먼저 고객의 불편함을 해결해주는 기술을 의미합니다.따라서 저희는 해당 트렌드에 맞게 고객들에게 필요한 시기에..

통계적 기계학습이라는 수업에서 팀프로젝트로 진행한 프로젝트입니다. 딥러닝을 논문으로만 접해봤지 코드로 처음부터 끝까지 접해본건 처음이라 나름 의미가 있는 프로젝트입니다.자세한 코드가 궁금하시면 제 깃허브를 참고해주세요!https://github.com/na02string/forecast-public-bike-demand-project/tree/main GitHub - na02string/forecast-public-bike-demand-project: 따릉이 수요량 예측 프로젝트따릉이 수요량 예측 프로젝트. Contribute to na02string/forecast-public-bike-demand-project development by creating an account on GitHub.githu..