AI를 위한 필수 수학

403

Chapter 9 -

그래프 모델

기하급수적으로 증가하지 않아야 한다. 즉, 이는

n

k

에 비례하는 다항 시간이어야 하며 여기서

k

는 가급적 작은 숫자여야 한다는 의미다. 그래프 모델링 분야로 진출하고자 하는 사람이라면

그래프 이론과 연산 측면을 모두 익히는 것이 매우 유용할 것이다.

정리하기

지금까지 그래프 모델링의 다양한 측면을 예제, 애플리케이션, 직관력 강화에 중점을 두고 요

약했다. 그림, 해당 분야의 현재 상태, 인공지능과의 관계에 대한 목표나 이해가 있어야 길을

잃지 않을 수 있다.

또한 그래프에서의 랜덤 워크, 베이즈 네트워크, 확률적 인과 모델을 소개하면서 <

Chapter

11

확률>의 주요 주제인 확률적 사고 방향으로 초점을 돌려보았다 (<

Chapter

11

확률>로 들어가

기 전에 인공지능에서 확률의 용도를 살펴보는 것이 필자의 의도였다 ).

마지막으로 좋은 읽을거리를 소개하며 마치려고 한다. 논문 「

Relational

Inductive

Biases

,

Deep

Learning

,

and

Graph

Networks

」

248

에서는 딥러닝 커뮤니티에서 그래프 신경망을

채택하는 사례를 소개한다.

강력한 관계 귀납적 편향성을 가진 인공지능 도구의 새로운 구성 요소인 그래프 신경망은 그래프에서 작동하

는 신경망에 대한 다양한 접근법을 일반화하고 ...