โครงข่ายประสาทเทียมกราฟ
- ผู้เสนอ
- Kipf, T.N. & Welling, M.
- ปี
- 2017
- ประเภท
- Deep learning on graph-structured data
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
รอการทบทวนทางวิทยาศาสตร์
ส่วนที่อ้างเกณฑ์ขนาดตัวอย่างแบบสากลของ GNN ถูกระงับไว้จนกว่าจะผ่านการทบทวนทางวิทยาศาสตร์ งานวิจัยต้นฉบับไม่ได้กำหนดเกณฑ์การใช้งานทั่วไปไว้ แหล่งที่มาของการเปรียบเทียบใช้ทำอะไร?
โครงข่ายประสาทเทียมกราฟ (Graph Neural Network: GNN) เป็นวิธีการเรียนรู้เชิงลึก (deep learning) ซึ่งได้รับความนิยมจาก Kipf และ Welling ในปี 2017 ด้วยโครงข่ายประสาทเทียมเชิงสังวัตนาการกราฟ (Graph Convolutional Network) ที่เรียนรู้จากความสัมพันธ์ในโครงสร้างเครือข่าย (กราฟ) ที่ประกอบด้วยโหนด (nodes) และเส้นเชื่อม (edges) วิธีการนี้ออกแบบมาสำหรับข้อมูลที่มีลักษณะเชิงสัมพันธ์โดยธรรมชาติ เช่น เครือข่ายสังคม โครงสร้างโมเลกุล และระบบแนะนำสินค้า
แนวคิดเบื้องหลังวิธีการ
ข้อมูลจำนวนมากไม่ได้อยู่ในรูปแบบตารางแบนๆ ที่มีแถวอิสระต่อกัน แต่เป็นโครงข่ายของเอนทิตีที่เชื่อมโยงกัน: ผู้คนเชื่อมโยงกันด้วยมิตรภาพ อะตอมเชื่อมโยงกันด้วยพันธะ ไอเทมเชื่อมโยงกันด้วยพฤติกรรมการซื้อร่วมกัน GNN ให้ความสำคัญกับการเชื่อมโยงเหล่านั้นอย่างจริงจัง แทนที่จะพิจารณาแต่ละโหนดแยกกัน GNN จะให้แต่ละโหนดรับข้อมูลจากเพื่อนบ้านและปรับปรุงการนำเสนอ (representation) ของตนเองตามสิ่งที่อยู่รอบข้าง ดังนั้น โครงสร้างของกราฟเองจึงกลายเป็นส่วนหนึ่งของสิ่งที่แบบจำลองเรียนรู้
ประวัติศาสตร์
โครงข่ายประสาทเทียมกราฟ (Graph Neural Networks: GNNs) ได้รับความนิยมอย่างแพร่หลายด้วย Graph Convolutional Network ของ Kipf และ Welling ในปี 2017 ซึ่งมองการเรียนรู้บนกราฟเป็นการสังวัตนาการ (convolution) แบบอิงเพื่อนบ้าน Veličković และคณะได้ขยายแนวคิดนี้ในปี 2018 ด้วย Graph Attention Networks ที่ให้โหนดต่างๆ ถ่วงน้ำหนักเพื่อนบ้านแตกต่างกัน Monograph เรื่อง Graph Representation Learning ของ Hamilton ในปี 2020 ได้รวบรวมองค์ความรู้ในสาขานี้ และ GNNs ได้กลายเป็นเครื่องมือมาตรฐานสำหรับข้อมูลเชิงสัมพันธ์
ควรใช้เมื่อใด
ส่วนนี้รอการทบทวนทางวิทยาศาสตร์ อย่าใช้เงื่อนไขในส่วนนี้เป็นกฎในการเลือกวิธีการ
ข้อความต้นฉบับรอการทบทวน
ข้อจำกัดและข้อควรพิจารณา
- แหล่งที่มาไม่ได้ระบุข้อจำกัด ความเหมาะสมต้องประเมินแยกต่างหาก
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- เรียนรู้โดยตรงจากโครงสร้างเชิงสัมพันธ์ แทนที่จะบังคับข้อมูลให้อยู่ในรูปแบบแถวแบนๆ
- เหมาะสมโดยธรรมชาติกับเครือข่ายสังคม โครงสร้างโมเลกุล และระบบแนะนำสินค้า
- ข้อสมมติฐานเกี่ยวกับลักษณะการกระจายตัวของฟีเจอร์น้อย; จัดการกับฟีเจอร์ของโหนดแบบต่อเนื่อง แบบจัดกลุ่ม และแบบทวิภาค
- จับภาพว่าบริบทของโหนด — สภาพแวดล้อมในกราฟ — มีอิทธิพลต่อพฤติกรรมของโหนดอย่างไร
การประยุกต์ใช้
- การวิเคราะห์โหนดและลิงก์ในเครือข่ายสังคม
- การทำนายคุณสมบัติบนโครงสร้างโมเลกุล
- ระบบแนะนำสินค้าที่สร้างขึ้นบนกราฟปฏิสัมพันธ์ระหว่างผู้ใช้กับสินค้า
- การอธิบายและเรียนรู้ความสัมพันธ์ในชุดข้อมูลที่เชื่อมต่อกันตามธรรมชาติ
วิธีการทำงาน
วิธีการทำงาน
สูตร
h_v^{(l+1)} = \sigma\!\left(\sum_{u \in \mathcal{N}(v)} \frac{1}{c_{vu}} W^{(l)} h_u^{(l)}\right)วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วVeličković, P. et al. (2018). Graph Attention Networks. ICLR.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วHamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว