Deep Graph Similarity Learning: A Survey
원문 초록
In many domains where data are represented as graphs, learning a similarity metric among graphs is considered a key problem, which can further facilitate various learning tasks, such as classification, clustering, and similarity search. Recently, there has been an increasing interest in deep graph similarity learning, where the key idea is to learn a deep learning model that maps input graphs to a target space such that the distance in the target space approximates the structural distance in the input space. Here, we provide a comprehensive review of the existing literature of deep graph similarity learning. We propose a systematic taxonomy for the methods and applications. Finally, we discuss the challenges and future directions for this problem.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
AI 통합 과학 탐구: 과학 교육을 위한 실천 중심 비전
AI-Integrated Scientific Inquiry: A Practice-Centered Vision for Science Education
인공지능(AI)은 과학 탐구의 일부가 되었다. 과학자들은 AI를 사용해 현상을 관찰·측정하고, 데이터에서 패턴을 식별하며, 모델을 구축한다. AI가 과학 탐구에 들어오면서 과학 교육과의 연관성도 커진다. 학생들은 AI가 과학적 실천을 어떻게 바꾸고 있는지 배워야 하며, 이상적으로는 AI 통합 과학 탐구에 직접 참여하면서 배워야 한다. 이러한 교수를 어떻게 설계할지—독립 주제로 가르치기보다는 진정한 과학적 실천에 기반하여—는 여전히 열린 질문이다. 우리의 비전(본 논문에서 설명함)에서 AI는 학생들이 차세대 과학 기준(Next Generation Science Standards)이 설명하는 과학적 실천 안에서 사용하는 일련의 과학적 도구로 취급된다. 각 도구는 진정한 과학적 도구이되 교육적으로 범위가 설정된다. 즉, 핵심 과학적 기능은 보존하면서 조작은 단순화된다. 이 접근법에는 두 가지 목표가 있다. 학생들을 진정한 과학 탐구에 참여시키는 것, 그리고 과학에서 AI가 어떻게 사용되는지와 어디서 오해를 불러일킬 수 있는지에 대한 이해를 형성하는 것(학문 분야 기반 AI 리터러시, DAIL)이다. 본 논문에서는 탐구의 조사 핵심—관찰, 분석, 모델링—에 초점을 맞추고, 각각에 대해 하나의 대표적인 AI 도구를 설명한다. 관찰에는 컴퓨터 비전(computer vision), 분석에는 클러스터링(clustering), 모델링에는 생성 모델링(generative modeling)이다. 우리는 과학 교육의 모든 AI 도구는 AI 도구 자체에 대한 비판적 평가를 촉진하는 별도의 성찰 지점(reflection point)을 갖춰야 한다고 주장한다. 마지막으로, 단일 실천이 아니라 전체 탐구 과정에 걸쳐 작동하는 에이전트 AI(agentic AI)를 어떻게 표현할 수 있는지 설명하며, 학생들은 에이전트 AI에 의존하기 전에 과학 탐구와 AI 도구에 대한 기초적 이해를 먼저 형성해야 한다고 주장한다.
클러스터형 엣지 지능: 엣지 컴퓨팅과 AI의 단순한 수렴을 넘어
Clustered Edge Intelligence: Beyond Just Convergence of Edge Computing and AI
우리는 정보 시대에서 지능 시대로 나아가고 있다. 10년, 혹은 그보다 짧은 기간 안에 데이터는 더 이상 금(gold)이 아니라, 데이터와 네트워크 엣지(edge)에서 보유한 정보로부터 파생된 지능이 그 역할을 대신할 것이다. 기존 엣지 지능(Edge Intelligence) 연구는 주로 두 방향에 집중한다: 엣지 자원 관리를 위한 AI 활용, 그리고 엣지 디바이스에 경량 AI 모델 배포. 그러나 기존 엣지 컴퓨팅 연구에는 파생된 지능을 1급(first-class)이며 독립적으로 관리 가능한 개체로 취급하고, 이를 기술(describe), 발견(discover), 관찰(observe), 공유(share), 재사용(reuse), 이기종(heterogeneous) 엣지 디바이스와 애플리케이션 간에 동적으로 클러스터링할 수 있는 지능 중심(intelligence-centric) 프레임워크가 부재하다. 이러한 연구 공백을 해소하기 위해, 우리는 비전형 지능 중심 접근법인 클러스터형 엣지 지능(Clustered Edge Intelligence, CEI)을 제안한다. CEI의 목표는 지능을 공유 가능하고 재사용 가능한 1급 개체로 만들어, 분산된 엣지-클라우드 연속체(edge-cloud continuum) 전반에 걸쳐 독립적으로 표현, 발견, 관찰, 교환, 관리할 수 있게 하는 것이다. 우리는 3층 CEI 아키텍처를 제시하고, 지능 인벤토리(intelligence inventories), 의미론적 지식 표현(semantic knowledge representation), 통신(communication), 발견 가능성(discoverability), 관찰 가능성(observability), 수명주기 자동화(lifecycle automation), 클러스터링 메커니즘(clustering mechanisms), 마켓플레이스(marketplaces), 상호운용성(interoperability), 표준화(standardization) 등을 포함한 지원 기술과 연구 차원을 검토한다.
Solving non-uniqueness in agglomerative hierarchical clustering using multidendrograms
건설적·협력적 멀티태스킹을 위한 의미 인식 태스크 클러스터링
Semantic-Aware Task Clustering for Constructive and Cooperative Multi-Tasking
협력적 멀티태스크 의미 통신(cooperative multi-task semantic communication, CMT-SemCom)은 공유 표현을 활용하여 태스크 실행 성능을 향상시킨다. 그러나 [1]에서 보인 바와 같이, 협력적 멀티태스킹은 태스크 간 의미적 관계에 따라 건설적일 수도 있고 파괴적일 수도 있다. 건설적 협력을 보장하기 위해, 우리는 CMT-SemCom을 위한 의미 인식 태스크 클러스터링 방법을 제안한다. 짧은 초기 학습 단계 이후 의미적으로 정렬된 태스크가 한 번 클러스터링되고, 이후 발견된 그룹 내에서만 엔드투엔드(end-to-end, E2E) 공동 학습이 수행되는 순차적 다단계 최적화 문제를 수식화했다. 구체적으로, 이 문제는 두 단계로 분해된다: (i) 계층적 밀도 기반 공간 클러스터링(hierarchical density-based spatial clustering)을 활용한 의미 클러스터링 문제, (ii) 클러스터 내 E2E CMT-SemCom 학습 문제. 시뮬레이션 결과는 제안된 프레임워크가 파괴적 협력과 부정적 전이(negative transfer)를 효과적으로 완화하며, 클러스터링되지 않은 멀티태스킹 및 개별 학습 기준선 대비 정확도 향상을 달성함을 보여준다.
영향력 있는 다원주의적 정렬 연구를 위한 로드맵
A Roadmap to Impactful Pluralistic Alignment Research
Towards Trustworthy Physical Intelligence: From Theory to Practice Across Life Cycle
토론
이 논문과 연결된 포럼 글이 아직 없습니다.