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
Wissenschaftliche Prüfung ausstehend.
Abschnitte, die allgemeingültige Stichprobengrößen-Schwellen für GNN behaupten, werden bis zur wissenschaftlichen Prüfung zurückgehalten. Die Originalstudie legt keine allgemeine Eignungsschwelle fest. VergleichsquelleWas 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
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
Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR.
Publikationsreferenz öffnenKopiert.Veličković, P. et al. (2018). Graph Attention Networks. ICLR.
Publikationsreferenz öffnenKopiert.Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.
DOI-Referenz öffnenKopiert.