はじめてのグラフデータベース - Qiita
皆さん、グラフデータベースは利用していますか？ この記事ではグラフデータベースを触ったことがない人向けにグラフデータベースの基本的な使い方を説明していきます。 この記事はDiverse Advent Calendar 2019の11日目です。 Diverseではマッチングアプリのレコメンドにグラフデータベースを利用しています。 グラフデータベースとは？ グラフデータベースは名前の通りグラフを扱うデータベースです。よく使われているリレーショナルデータベースは表構造を扱うデータベースと言えます。 リレーショナルデータベースは、複数の表構造の関係を扱えますが、実際に関係を扱うのは難しいことが多いです。関係を表すために適切なスキーマ設計が必要になり、クエリは難しくなりがちです。また、表を結合するにはコストがかかります。 グラフデータベースは、ホワイトボードに図を書く感覚でデータを扱えることが利点で
「Machine learning graph pitch #1」に参加しました（全発表まとめ） - u++の備忘録
本日開催された「Machine learning graph pitch #1」に参加しました。機械学習の中でも、特にグラフ関連の技術を実務で使っている5人の方々のLTをお聞きできました。 machine-learning-pitch.connpass.com Improving "People You May Know" on Directed Social Graph（Graph Embedding を用いた双方向つながり予測） やりたいこと Graph Embeddingを用いる利点 技術 結果 GANを用いたリンク予測におけるネガティブサンプルの生成 技術 やりたいこと 技術的難しさ 提案手法の課題 DAGの埋め込み手法とdisk embedding 技術 提案手法のContribution 応用範囲 論文レコメンドにおける Graph Convolutional Network
A Comprehensive Survey on Graph Neural Networks
Deep learning has revolutionized many machine learning tasks in recent years, ranging from image classification and video processing to speech recognition and natural language understanding. The data in these tasks are typically represented in the Euclidean space. However, there is an increasing number of applications where data are generated from non-Euclidean domains and are represented as graph
Python Call Graph — Python Call Graph 1.0.1 documentation
Python Call Graph¶ Welcome! Python Call Graph is a Python module that creates call graph visualizations for Python applications. Screenshots¶ Click on the images below to see a larger version and the source code that generated them. Project Status¶ The latest version is 1.0.1 which was released on 2013-09-17, and is a backwards incompatbile from the previous release. The project lives on GitHub, w
機は熟した！グラフ構造に対するDeep Learning、Graph Convolutionのご紹介 - ABEJA Tech Blog
はじめまして。ABEJAでResearcherをやらせていただいている白川です。 先日、化合物の物性推定をDeep Learningをつかって従来手法より300,000倍高速に処理するという論文がでました（[1], [2]）。この論文の手法は、Graph Convolutionというグラフ上に定義されたConvolution演算がベースとなっています。物性推定に限らず、グラフ解析全般を Deep Learning で上手にこなせるようになれば、Deep Learningのアプリケーションの幅がぐっと拡がり、さらなるイノベーションが起きそうな予感がします。 ICMLやNIPSなどの機械学習系の主要国際会議でも数年前からGraph Convolutionについての論文がちらほら出現しはじめており、とくに最近その勢いが増してきている印象があります。個人的にも最近（前から？）にわかにグラフづいてい
無料で説明図を作るならドローツール「draw.io」に敵うものはないかも
で、図説ドローツールとしては、CacooやGliffyを紹介しました。 けれども、「draw.io」というのを使ってみたら、完全に無料で利用できるうえに、日本語にも対応、さらには機能も豊富という何拍子も揃った素晴らしいドローツールだったので紹介です。 photo by David Goehring draw.ioとは draw.ioは、WEB上で無料で使えるフローチャート作成ツールです。 インストールなどは必要なく、ブラウザからログインも不要で手軽に利用することができます。 通常、こういったドローツールは、「作業シート何枚まで無料であとは有料」などというサービスも多いのですが、draw.ioは完全無料で利用することができます。 やれることが豊富 このツールを利用するだけで、以下のような図を手軽に作成することができます。 チャートなんかも。 こんな回路図なんかも。 もちろんこんなフローも。
「パナマ文書」解析の技術的側面
世界中で話題になっているパナマ文書。各国で政権を揺るがすような事態にもなっていますが、純粋にデータとしてみた場合、これは計算機やデータ解析に関わる人々にも面白いものだと思います。データの中身や背景などについてはさんざん報道されていますのでここでは触れません。一方、現場でどのような作業が行われているのかはあまり報道されていません。現実的な問題として、人力ではどうしようもない量のリークデータを手に入れた場合、調査報道機関はどんなことを行っているのでしょうか？私も以前から疑問に思っていたのですが、先日あるデータベース企業と、データ分析アプリケーションを作成する会社のブログにて、その実際の一端を窺うことができる投稿がありました: Panama Papers: How Linkurious enables ICIJ to investigate the massive Mossack Fonseca
NIPS2013読み会で発表しました - Yasuo Tabeiの日記
東大で開催されたNIPS2013読み会で発表させていただきました. http://connpass.com/event/4728/ 参加者60人と大盛況で, 機械学習の人気の高さを再確認しました. 僕は, Scalable graph kernels for continuous attributesというタイトルの論文を発表しました. 要点は ノードに実数値ベクトルをもつグラフに対するGraphHopper Kernelを提案 類似度は２つのグラフに存在する同じ長さの最短路上のノードの類似度の和で定義 式変形により最短路におけるノードを通過する回数に関するforward-backward計算に帰着 実際のグラフに対しては, ノードの数の２乗で計算可能 高速かつ高精度 です. 下は発表スライドです. NIPS2013読み会: Scalable kernels for graphs with
[R][ネットワーク分析] ネットワーク構造の諸指標 - yokkunsの日記
ネットワーク分析 (Rで学ぶデータサイエンス 8)の第3章の内容 密度（density） グラフにおいて張ることの出来る全てのエッジの数に対する、実際のエッジの数の比率 例 データの入力 library(igraph) A <- matrix(c( 0,1,1,1,1, 1,0,0,1,1, 1,0,0,0,0, 1,1,0,0,0, 1,1,0,0,0),nrow=5) B <- matrix(c( 0,1,1,1,1, 0,0,0,1,1, 0,0,0,0,0, 0,0,0,0,0, 0,0,0,0,0),nrow=5,byrow=T) g1 <- graph.adjacency(A, mode = "undirected") g2 <- graph.adjacency(B) Aのプロット plot(g1) Bのプロット plot(g2) 密度の計算 > graph.density(g
![[R][ネットワーク分析] ネットワーク構造の諸指標 - yokkunsの日記](https://cdn-ak-scissors.b.st-hatena.com/image/square/b82ec16e2378cc4f9291763433422bd05b45a5e7/height=288;version=1;width=512/http%3A%2F%2Fgyazo.com%2F8b2e5f7b7ee4dad42822c55be85c7efe.png)
博士公聴会：定数時間アルゴリズムについて | Preferred Research
吉田です． 先日，博士論文の公聴会が終わりました． タイトルは「次数を制限したグラフと制約充足問題に対する定数時間アルゴリズムの研究」というものでした． また，博士課程での研究の成果が認められて，日本学術振興会から育志賞という賞を頂くことになりました． こちらは他の受賞者の研究内容が分からなさ過ぎて凄いですね． 今後もPreferred Infrastructureにはアドバイザーの様な形で勤めることになると思いますので宜しくお願い致します． ということで博士課程の終わりも近く，良い区切りですので， これまで専門に研究してきた定数時間アルゴリズムについて簡単に話をすることにします． 定数時間アルゴリズムは，その名のとおり入力長に依存しない計算時間で動作するアルゴリズムのことです． 普通に考えてそんなアルゴリズムはあり得ないように思えますが，どうすればそんなアルゴリズムが実現出来るでしょうか
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
word2vec, node2vec, graph2vec, X2vec: Towards a Theory of Vector Embeddings of Structured Data
Page not found
http://www.mathgram.xyz/entry/plotly
Cacoo（カクー）｜かんたんにキレイに図が描けるオンライン作図ツール