[DMQA Open Seminar] Graph-Based Semi-supervised Learning

모델을 구축함에 있어 레이블링 작업은 많은 비용과 시간이 소요된다는 한계점을 지닌다. 이를 극복하기 위해 레이블링 데이터가 한정적인 경우에도 보다 나은 모델을 구축하기 위한 시도가 활발히 이루어지고 있다. 대표적으로 semi-supervised learning은 레이블링 되지 않은 데이터(unlabeled data)와 레이블링이 된 데이터(labeled data)를 함께 활용하여 데이터가 갖는 고유의 구조를 반영하는 것을 목표로 한다. 이번 세미나에서는 graph data에서의 semi-supervised learning이 어떠한 흐름으로 연구가 되어왔는지 개괄적으로 설명하고, 더 나아가 최신 연구 동향에 대해 소개하고자 한다.

참고문헌 :
1. Zhou, D., Bousquet, O., Lal, T. N., Weston, J., & Schölkopf, B. (2004). Learning with local and global consistency. Advances in neural information processing systems, 16(16), 321-328.
2. Kipf, T. N., & Welling, M. (2016). Semi-supervised classification with graph convolutional networks. arXiv preprint arXiv:1609.02907.
3. Chong, Y., Ding, Y., Yan, Q., & Pan, S. (2020). Graph-based semi-supervised learning: A review. Neurocomputing, 408, 216-230.