Glossary

0-9

1-shot learning 2-stage detector 3D convolution 4D data 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 9-layer network 0-shot learning

A

Algorithm Autoencoder Artificial Intelligence (AI)Attention AGI / Artificial General Intelligence

B

Batch Normalization Boosting Backpropagation Bias BERT

C

Classifier / Classification Chatbot Cross-Validation Clustering CNN / Convolutional Neural Network

D

Deterministic Model Data Augmentation Deep Learning Discriminative Model Deepfake

E

Explainable AI (XAI)Ensemble Learning Encoder Embedding Epoch

F

Foundation Model Fine-tuning Forward Propagation Feature Extraction Fusion / Multimodal Fusion

G

Gradient Descent Graph Neural Network (GNN)Generative AI GAN / Generative Adversarial Network Grounding

H

Hierarchical Model Hidden Layer Hyperparameter Hallucination Heuristic

I

Imbalanced Data Instance / Sample Intelligence Amplification / Augmentation Interpretability Instruction tuning

J

Juxtaposition Joint Embedding Jittering JAX JSONL / JSON-lines

K

Knowledge Distillation Kernel Trick K-means Clustering K-Shot Learning KL Divergence (Kullback–Leibler Divergence)

L

Large Language Model (LLM)Loss Function Latent Variable Learning Rate LSTM / Long Short-Term Memory

M

Machine Learning (ML)Multimodal / Multimodality Multi-head Attention Meta-learning Model

N

Novelty Detection / Anomaly Detection Neural Network Normalization NLP / Natural Language Processing NLU / Natural Language Understanding

O

Objective Function Overfitting Online Learning Optimizer One-hot Encoding

P

Parameter Policy / Reinforcement Learning Policy Prompt Pretraining Pooling

Q

Quantization Query Queue / Buffer Quality Estimation Q-learning

R

Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization Representation Learning RNN / Recurrent Neural Network

S

Supervised Learning Sampling Sequence Modeling Self-Supervised Learning Softmax

T

Transfer Learning Tokenizer Tuning / Hyperparameter Tuning Transformer Training Data

U

Uncertainty Estimation Unsupervised Learning Underfitting Universal Approximation Theorem U-Net

V

Validation Set Vector Embedding Variational Autoencoder (VAE)Vanishing / Exploding Gradient Vision Transformer (ViT)

W

Whitening / Whitening Transformation Weak Supervision Word Embedding Workflow Weight Decay

X

X-axis / feature axis XAI / Explainable AI XLM XLNet XOR problem

Y

Yield (model yield / throughput)Yoga of AI Y-transform / YUV Y-axis / feature axis YAGNI (You Aren't Gonna Need It)

Z

Zero-gradient phenomenon Zero-centric / Zero-bias initialization Zero-shot Learning / Zero-shot inference Zygosity in augmentation Z-score Normalization

그래프 신경망(GNN)이란 무엇인가

그래프 신경망(Graph Neural Networks, GNN)은 그래프로 표현된 데이터를 처리하기 위해 설계된 신경망의 한 종류입니다. 전통적인 신경망과 달리 GNN은 그래프 내의 노드 간의 관계와 구조 정보를 효과적으로 포착할 수 있습니다. 이러한 기능은 소셜 네트워크 분석, 추천 시스템 및 화학 분자 구조 예측 등 여러 분야에서 중요하게 작용합니다.

GNN의 정의는 그래프 데이터 처리의 필요성에서 비롯됩니다. 그래프 데이터는 여러 분야에서 널리 존재하지만, 전통적인 신경망은 이러한 데이터를 직접 처리하는 데 어려움을 겪습니다. GNN은 노드 정보를 집계하고 전파함으로써 각 노드가 자신 주변의 이웃 정보와 결합할 수 있도록 하여, 그래프의 전체 구조를 더 잘 이해할 수 있도록 합니다. 여러 층의 신경망을 쌓음으로써 GNN은 점차적으로 더 높은 수준의 특징을 추출할 수 있습니다.

중요성 측면에서 GNN은 지식 그래프 및 이미지 분할 등 여러 분야에서 눈에 띄는 성과를 거두었습니다. 또한, 빅데이터와 복잡한 네트워크의 출현과 함께 GNN의 응용 전망은 매우 넓으며, 향후 스마트 교통 및 금융 리스크 평가와 같은 분야에서 더 큰 역할을 할 가능성이 있습니다.

그러나 GNN을 사용할 때는 높은 계산 복잡성과 모델 훈련의 어려움과 같은 몇 가지 도전 과제가 있습니다. 따라서 실제 응용에서 이러한 요소를 고려하고 합리적인 모델 선택 및 최적화를 수행하는 것이 중요합니다.