Skip to content
Назад к результатам поиска

Графовая нейронная сеть

Автор метода
Kipf, T.N. & Welling, M.
Год
2017
Тип
Deep learning on graph-structured data

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Ожидает научной проверки.

Разделы, утверждающие универсальные пороги объёма выборки для GNN, скрыты до научной проверки. Исходное исследование не устанавливает общего порога применимости. Источник сравнения

Что он делает?

Графовая нейронная сеть (GNN) — это метод глубокого обучения, популяризированный Кипфом и Веллингом в 2017 году с помощью графовой сверточной сети, который обучается на основе взаимосвязей в сетевых (графовых) структурах, состоящих из узлов и ребер.

Он предназначен для данных, которые по своей природе являются реляционными, таких как социальные сети, молекулярные структуры и рекомендательные системы.

Интуиция метода

Многие виды данных представляют собой не плоские таблицы независимых строк, а сети связанных сущностей: люди, связанные дружбой, атомы, связанные связями, элементы, связанные совместными покупками. GNN серьезно относится к этой связности. Вместо того чтобы рассматривать каждый узел в изоляции, он позволяет каждому узлу слушать своих соседей и обновлять собственное представление на основе окружающего, так что сама структура графа становится частью того, что модель изучает.

История

Графовые нейронные сети вошли в мейнстрим с графовой сверточной сетью Кипфа и Веллинга 2017 года, которая представила обучение на графах как форму свертки на основе соседства. Великович и коллеги расширили эту идею в 2018 году с помощью графовых сетей внимания, позволяя узлам по-разному взвешивать своих соседей. Монография Гамильтона 2020 года «Обучение представлений графов» консолидировала эту область, и с тех пор GNN стали стандартным инструментом для реляционных данных.

Когда применять

Этот раздел ожидает научной проверки. Не используйте его условия как правила выбора метода.

Исходный текст ожидает проверки

Ограничения и замечания

  • Источник не указывает ограничения; пригодность требует отдельной оценки.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Обучается непосредственно на реляционной структуре, а не заставляет данные вписываться в плоские строки.
  • Естественно подходит для социальных сетей, молекулярных структур и рекомендательных систем.
  • Минимальные предположения о распределении признаков; обрабатывает непрерывные, категориальные и бинарные признаки узлов.
  • Улавливает, как контекст узла — его окружение в графе — формирует его поведение.

Применение

  • Анализ узлов и связей в социальных сетях.
  • Прогнозирование свойств молекулярных структур.
  • Рекомендательные системы, построенные на графах взаимодействия пользователей и элементов.
  • Объяснение и изучение отношений в любом естественно связанных наборе данных.

Как это работает

Как это работает

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

Похожие методы

Источники

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

    Открыть ссылку на публикацию
    Скопировано.
  2. Veličković, P. et al. (2018). Graph Attention Networks. ICLR.

    Открыть ссылку на публикацию
    Скопировано.
  3. Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.

    Открыть ссылку DOI
    Скопировано.