Przejdź do treści
Wróć do wyników wyszukiwania

Sieci neuronowe grafowe

Autor metody
Kipf, T.N. & Welling, M.
Rok
2017
Typ
Deep learning on graph-structured data

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Oczekuje na przegląd naukowy.

Sekcje podające uniwersalne progi liczebności próby dla GNN są wstrzymane do czasu przeglądu naukowego. Oryginalne badanie nie ustala ogólnego progu kwalifikacji. Źródło porównania

Do czego służy?

Sieć neuronowa grafowa (GNN) to metoda głębokiego uczenia, spopularyzowana przez Kipfa i Wellinga w 2017 roku za pomocą grafowych sieci konwolucyjnych, która uczy się na podstawie relacji w strukturach sieciowych (grafowych) złożonych z węzłów i krawędzi.

Jest przeznaczona dla danych, które są naturalnie relacyjne, takich jak sieci społecznościowe, struktury molekularne i systemy rekomendacyjne.

Intuicja stojąca za metodą

Wiele rodzajów danych to nie płaskie tabele niezależnych wierszy, ale sieci połączonych bytów: ludzi powiązanych przyjaźniami, atomów powiązanych wiązaniami, przedmiotów powiązanych tym, że są kupowane razem. GNN traktuje tę łączność poważnie. Zamiast patrzeć na każdy węzeł w izolacji, pozwala każdemu węzłowi słuchać swoich sąsiadów i aktualizować własną reprezentację na podstawie otoczenia, dzięki czemu sama struktura grafu staje się częścią tego, czego uczy się model.

Historia

Sieci neuronowe grafowe weszły do głównego nurtu wraz z grafowymi sieciami konwolucyjnymi Kipfa i Wellinga z 2017 roku, które ujęły uczenie na grafach jako formę konwolucji opartej na sąsiedztwie. Veličković i współpracownicy rozszerzyli tę ideę w 2018 roku o grafowe sieci uwagowe, pozwalając węzłom różnie ważyć swoich sąsiadów. Monografia Hamiltona z 2020 roku „Graph Representation Learning” skonsolidowała dziedzinę, a GNN stały się od tego czasu standardowym narzędziem do danych relacyjnych.

Kiedy stosować

Ta sekcja oczekuje na przegląd naukowy. Nie traktuj jej warunków jako reguł wyboru metody.

Tekst oryginalny oczekuje na przegląd

Ograniczenia i uwagi

  • Źródło nie określa ograniczeń; przydatność wymaga osobnej oceny.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Uczy się bezpośrednio ze struktury relacyjnej, zamiast wymuszać dane na płaskie wiersze.
  • Naturalnie nadaje się do sieci społecznościowych, struktur molekularnych i systemów rekomendacyjnych.
  • Niewielkie założenia dotyczące rozkładów cech; obsługuje ciągłe, kategoryczne i binarne cechy węzłów.
  • Przechwytuje, jak kontekst węzła — jego sąsiedztwo w grafie — kształtuje jego zachowanie.

Zastosowania

  • Analiza węzłów i połączeń w sieciach społecznościowych.
  • Predykcja właściwości w strukturach molekularnych.
  • Systemy rekomendacyjne oparte na grafach interakcji użytkownik-przedmiot.
  • Wyjaśnianie i uczenie się relacji w dowolnym naturalnie połączonym zbiorze danych.

Jak to działa

Jak to działa

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

Pokrewne metody

Źródła

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

    Otwórz odnośnik do publikacji
    Skopiowano.
  2. Veličković, P. et al. (2018). Graph Attention Networks. ICLR.

    Otwórz odnośnik do publikacji
    Skopiowano.
  3. Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.

    Otwórz odnośnik DOI
    Skopiowano.