Reti Neurali su Grafo
- Introdotto da
- Kipf, T.N. & Welling, M.
- Anno
- 2017
- Tipo
- Deep learning on graph-structured data
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
Revisione scientifica in attesa.
Le sezioni che affermano soglie universali di numerosità campionaria per le GNN sono sospese in attesa di revisione scientifica. Lo studio originale non stabilisce una soglia generale di idoneità. Fonte di confrontoA cosa serve?
Una Rete Neurale su Grafo (GNN) è un metodo di deep learning, reso popolare da Kipf e Welling nel 2017 con la Graph Convolutional Network, che apprende dalle relazioni in strutture di rete (grafo) composte da nodi e archi.
È progettata per dati che sono naturalmente relazionali, come reti sociali, strutture molecolari e sistemi di raccomandazione.
L’intuizione alla base del metodo
Molti tipi di dati non sono tabelle piatte di righe indipendenti, ma reti di entità connesse: persone legate da amicizie, atomi legati da legami, articoli legati da chi li acquista insieme. Una GNN prende sul serio tale connettività. Invece di guardare ogni nodo in isolamento, permette a ogni nodo di ascoltare i suoi vicini e aggiornare la propria rappresentazione in base a ciò che lo circonda, così la struttura del grafo stesso diventa parte di ciò che il modello apprende.
Storia
Le Reti Neurali su Grafo sono entrate nel mainstream con la Graph Convolutional Network di Kipf e Welling del 2017, che ha inquadrato l'apprendimento sui grafi come una forma di convoluzione basata sul vicinato. Veličković e colleghi hanno esteso l'idea nel 2018 con le Graph Attention Networks, permettendo ai nodi di pesare diversamente i loro vicini. La monografia di Hamilton del 2020 Graph Representation Learning ha consolidato il campo, e le GNN sono da allora diventate uno strumento standard per i dati relazionali.
Quando usarlo
Questa sezione è in attesa di revisione scientifica. Non usi le sue condizioni come regole per la scelta del metodo.
Testo originale in attesa di revisione
Limiti e considerazioni
- La fonte non specifica i limiti; l’idoneità richiede una valutazione separata.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Apprende direttamente dalla struttura relazionale piuttosto che forzare i dati in righe piatte.
- Naturalmente adatta a reti sociali, strutture molecolari e sistemi di raccomandazione.
- Poche assunzioni sulle distribuzioni delle caratteristiche; gestisce caratteristiche di nodi continue, categoriche e binarie.
- Cattura come il contesto di un nodo - il suo vicinato nel grafo - ne modella il comportamento.
Applicazioni
- Analisi di nodi e collegamenti nelle reti sociali.
- Previsione di proprietà su strutture molecolari.
- Sistemi di raccomandazione basati su grafi di interazione utente-articolo.
- Spiegazione e apprendimento di relazioni in qualsiasi set di dati naturalmente connesso.
Come funziona
Come funziona
Formula
h_v^{(l+1)} = \sigma\!\left(\sum_{u \in \mathcal{N}(v)} \frac{1}{c_{vu}} W^{(l)} h_u^{(l)}\right)Metodi correlati
Fonti
Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR.
Apri il riferimento della pubblicazioneCopiato.Veličković, P. et al. (2018). Graph Attention Networks. ICLR.
Apri il riferimento della pubblicazioneCopiato.Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.
Apri il riferimento DOICopiato.