Zum Inhalt springen
Zurück zu den Suchergebnissen

Graph Neural Network

Eingeführt von
Kipf, T.N. & Welling, M.
Jahr
2017
Typ
Deep learning on graph-structured data

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Wissenschaftliche Prüfung ausstehend.

Abschnitte, die allgemeingültige Stichprobengrößen-Schwellen für GNN behaupten, werden bis zur wissenschaftlichen Prüfung zurückgehalten. Die Originalstudie legt keine allgemeine Eignungsschwelle fest. Vergleichsquelle

Was leistet sie?

Ein Graph Neural Network (GNN) ist eine Deep-Learning-Methode, die 2017 von Kipf und Welling mit dem Graph Convolutional Network populär gemacht wurde und aus den Beziehungen in Netzwerk- (Graph-) Strukturen lernt, die aus Knoten und Kanten bestehen.

Es ist für Daten konzipiert, die von Natur aus relational sind, wie soziale Netzwerke, molekulare Strukturen und Empfehlungssysteme.

Die Intuition hinter der Methode

Viele Arten von Daten sind keine flachen Tabellen unabhängiger Zeilen, sondern Netze verbundener Entitäten: Personen, die durch Freundschaften verbunden sind, Atome, die durch Bindungen verbunden sind, Artikel, die durch gemeinsame Käufer verbunden sind. Ein GNN nimmt diese Konnektivität ernst. Anstatt jeden Knoten isoliert zu betrachten, lässt es jeden Knoten auf seine Nachbarn hören und seine eigene Repräsentation basierend auf seiner Umgebung aktualisieren, sodass die Struktur des Graphen selbst Teil dessen wird, was das Modell lernt.

Geschichte

Graph Neural Networks wurden mit Kipf und Wellings Graph Convolutional Network von 2017, das das Lernen auf Graphen als eine Form der nachbarschaftsbasierten Faltung formulierte, zum Mainstream. Veličković und Kollegen erweiterten die Idee 2018 mit Graph Attention Networks, die es Knoten ermöglichen, ihre Nachbarn unterschiedlich zu gewichten. Hamiltons Monographie Graph Representation Learning von 2020 konsolidierte das Feld, und GNNs sind seitdem ein Standardwerkzeug für relationale Daten geworden.

Wann wird sie eingesetzt?

Dieser Abschnitt wartet auf wissenschaftliche Prüfung. Verwenden Sie seine Bedingungen nicht als Regeln für die Methodenwahl.

Originaltext, Prüfung ausstehend

Grenzen und Hinweise

  • Die Quelle nennt keine Grenzen; die Eignung erfordert eine gesonderte Beurteilung.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Lernt direkt aus relationalen Strukturen, anstatt Daten in flache Zeilen zu zwingen.
  • Natürlich geeignet für soziale Netzwerke, molekulare Strukturen und Empfehlungssysteme.
  • Annahme-arm bezüglich Merkmalsverteilungen; verarbeitet kontinuierliche, kategoriale und binäre Knotenmerkmale.
  • Erfasst, wie der Kontext eines Knotens — seine Nachbarschaft im Graphen — sein Verhalten prägt.

Anwendungen

  • Knoten- und Linkanalyse in sozialen Netzwerken.
  • Eigenschaftsvorhersage über molekulare Strukturen.
  • Empfehlungssysteme, die auf Benutzer-Artikel-Interaktionsgraphen basieren.
  • Erklärung und Lernen von Beziehungen in jedem natürlich verbundenen Datensatz.

So funktioniert es

So funktioniert es

1
Formel
h_v^{(l+1)} = \sigma\!\left(\sum_{u \in \mathcal{N}(v)} \frac{1}{c_{vu}} W^{(l)} h_u^{(l)}\right)

Verwandte Methoden

Quellen

  1. Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR.

    Publikationsreferenz öffnen
    Kopiert.
  2. Veličković, P. et al. (2018). Graph Attention Networks. ICLR.

    Publikationsreferenz öffnen
    Kopiert.
  3. Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.

    DOI-Referenz öffnen
    Kopiert.