Skip to content
Kembali ke hasil pencarian

Jaringan Saraf Tiruan Graf

Diperkenalkan oleh
Kipf, T.N. & Welling, M.
Tahun
2017
Jenis
Deep learning on graph-structured data

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Menunggu tinjauan ilmiah.

Bagian yang menyatakan ambang ukuran sampel universal untuk GNN ditahan sambil menunggu tinjauan ilmiah. Studi aslinya tidak menetapkan ambang kelayakan umum. Sumber perbandingan

Apa fungsinya?

Jaringan Saraf Tiruan Graf (GNN) adalah metode pembelajaran mendalam, dipopulerkan oleh Kipf dan Welling pada tahun 2017 dengan Jaringan Konvolusional Graf, yang belajar dari hubungan dalam struktur jaringan (graf) yang terdiri dari simpul dan sisi.

GNN dirancang untuk data yang secara alami bersifat relasional, seperti jejaring sosial, struktur molekuler, dan sistem rekomendasi.

Intuisi di balik metode

Banyak jenis data bukanlah tabel datar berisi baris independen melainkan jaring entitas yang terhubung: orang yang dihubungkan oleh persahabatan, atom yang dihubungkan oleh ikatan, item yang dihubungkan oleh siapa yang membelinya bersama. GNN memperhitungkan konektivitas tersebut secara serius. Alih-alih melihat setiap simpul secara terisolasi, GNN membiarkan setiap simpul mendengarkan tetangganya dan memperbarui representasinya sendiri berdasarkan apa yang ada di sekitarnya, sehingga struktur graf itu sendiri menjadi bagian dari apa yang dipelajari model.

Sejarah

Jaringan Saraf Tiruan Graf masuk ke arus utama dengan Jaringan Konvolusional Graf Kipf dan Welling tahun 2017, yang membingkai pembelajaran pada graf sebagai bentuk konvolusi berbasis lingkungan. Veličković dan rekan-rekannya memperluas ide tersebut pada tahun 2018 dengan Jaringan Perhatian Graf, membiarkan simpul menimbang tetangganya secara berbeda. Monograf Hamilton tahun 2020, Graph Representation Learning, mengkonsolidasikan bidang ini, dan GNN sejak itu menjadi alat standar untuk data relasional.

Kapan digunakan

Bagian ini menunggu tinjauan ilmiah. Jangan gunakan syaratnya sebagai aturan pemilihan metode.

Teks asli menunggu tinjauan

Batasan dan pertimbangan

  • Sumber tidak menyebutkan batasan; kesesuaian memerlukan penilaian terpisah.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Belajar langsung dari struktur relasional daripada memaksakan data ke dalam baris datar.
  • Secara alami cocok untuk jejaring sosial, struktur molekuler, dan sistem rekomendasi.
  • Asumsi ringan pada distribusi fitur; menangani fitur simpul kontinu, kategorikal, dan biner.
  • Menangkap bagaimana konteks simpul — lingkungannya dalam graf — membentuk perilakunya.

Penerapan

  • Analisis simpul dan tautan dalam jejaring sosial.
  • Prediksi properti pada struktur molekuler.
  • Sistem rekomendasi yang dibangun di atas graf interaksi pengguna-item.
  • Menjelaskan dan mempelajari hubungan dalam dataset yang terhubung secara alami.

Cara kerjanya

Cara kerjanya

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

Metode terkait

Sumber

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

    Buka referensi publikasi
    Disalin.
  2. Veličković, P. et al. (2018). Graph Attention Networks. ICLR.

    Buka referensi publikasi
    Disalin.
  3. Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.

    Buka referensi DOI
    Disalin.