Skip to content
بازگشت به نتایج جست‌وجو

شبکه عصبی گراف

معرفی‌شده توسط
Kipf, T.N. & Welling, M.
سال
2017
نوع
Deep learning on graph-structured data

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

در انتظار بررسی علمی.

بخش‌هایی که آستانه‌های جهانی حجم نمونه برای GNN را ادعا می‌کنند تا پایان بررسی علمی نمایش داده نمی‌شوند. مطالعه اصلی آستانه عمومی برای کاربردپذیری تعیین نکرده است. منبع مقایسه

چه کاری انجام می‌دهد؟

شبکه عصبی گراف (GNN) روشی یادگیری عمیق است که Kipf و Welling در سال ۲۰۱۷ با شبکه کانولوشن گراف آن را رایج کردند و از روابط موجود در ساختارهای شبکه‌ای (گراف) متشکل از گره‌ها و یال‌ها یاد می‌گیرد. این روش برای داده‌هایی طراحی شده است که ماهیتاً رابطه‌ای‌اند، مانند شبکه‌های اجتماعی، ساختارهای مولکولی و سیستم‌های توصیه‌گر.

شهود پشت روش

بسیاری از انواع داده‌ها، جداول مسطح از ردیف‌های مستقل نیستند، بلکه شبکه‌هایی از موجودیت‌های متصل هستند: افرادی که توسط دوستی‌ها به هم مرتبط شده‌اند، اتم‌هایی که توسط پیوندها به هم متصل شده‌اند، اقلامی که بر اساس خرید همزمانشان به هم مرتبط شده‌اند. یک GNN این اتصال را جدی می‌گیرد. به جای نگاه کردن به هر گره به صورت مجزا، به هر گره اجازه می‌دهد تا به همسایگان خود گوش دهد و نمایش خود را بر اساس آنچه در اطرافش است به‌روز کند، بنابراین ساختار خود گراف بخشی از آنچه مدل یاد می‌گیرد می‌شود.

تاریخ

شبکه‌های عصبی گراف با شبکه کانولوشن گراف Kipf و Welling در سال ۲۰۱۷ وارد جریان اصلی شدند که یادگیری بر روی گراف‌ها را به شکلی از کانولوشن مبتنی بر همسایگی چارچوب‌بندی کرد. Veličković و همکاران در سال ۲۰۱۸ با شبکه‌های توجه گراف (Graph Attention Networks) این ایده را گسترش دادند و به گره‌ها اجازه دادند تا همسایگان خود را متفاوت وزن‌دهی کنند. مونوگراف Graph Representation Learning هامیلتون در سال ۲۰۲۰ این حوزه را تثبیت کرد و از آن زمان GNNها به ابزاری استاندارد برای داده‌های رابطه‌ای تبدیل شده‌اند.

چه زمانی استفاده شود

این بخش در انتظار بررسی علمی است. از شرایط آن به‌عنوان قاعده انتخاب روش استفاده نکنید.

متن اصلی در انتظار بررسی

محدودیت‌ها و ملاحظات

  • منبع محدودیت‌ها را مشخص نمی‌کند؛ مناسب بودن نیازمند ارزیابی جداگانه است.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • یادگیری مستقیم از ساختار رابطه‌ای به جای اجبار داده‌ها به ردیف‌های مسطح.
  • مناسب برای شبکه‌های اجتماعی، ساختارهای مولکولی و سیستم‌های توصیه‌گر.
  • فرض کم بر توزیع ویژگی‌ها؛ ویژگی‌های گره پیوسته، دسته‌ای و دودویی را مدیریت می‌کند.
  • نحوه شکل‌دهی زمینه یک گره - محله آن در گراف - به رفتار آن را ثبت می‌کند.

کاربردها

  • تحلیل گره و پیوند در شبکه‌های اجتماعی.
  • پیش‌بینی خواص بر روی ساختارهای مولکولی.
  • سیستم‌های توصیه‌گر مبتنی بر گراف‌های تعامل کاربر-آیتم.
  • توضیح و یادگیری روابط در هر مجموعه داده‌ای که به طور طبیعی متصل است.

چگونه کار می‌کند

چگونه کار می‌کند

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

روش‌های مرتبط

منابع

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

    باز کردن مرجع انتشار
    کپی شد.
  2. Veličković, P. et al. (2018). Graph Attention Networks. ICLR.

    باز کردن مرجع انتشار
    کپی شد.
  3. Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.

    باز کردن مرجع DOI
    کپی شد.