İçeriğe atla
Arama sonuçlarına dön

Grafik Sinir Ağı (GNN)

Ortaya koyan
Kipf, T.N. & Welling, M.
Yıl
2017
Tür
Deep learning on graph-structured data
Yazı boyutu

Bilimsel inceleme bekleniyor.

GNN için evrensel örneklem eşiği ileri süren bölümler bilimsel inceleme tamamlanana kadar gösterilmiyor. Özgün çalışma genel bir uygunluk eşiği belirlemiyor. Karşılaştırma kaynağı

Ne işe yarar?

Grafik Sinir Ağı (GNN), 2017'de Kipf ve Welling'in Grafik Evrişimsel Ağı ile yaygınlaşan; düğüm ve kenarlardan oluşan ağ (graf) yapılarındaki ilişkileri öğrenen bir derin öğrenme yöntemidir.

Sosyal ağlar, moleküler yapılar ve tavsiye sistemleri gibi doğal olarak ilişkisel veriler için tasarlanmıştır.

Yöntemin mantığı

Pek çok veri, birbirinden bağımsız satırlardan oluşan düz tablolar değil, birbirine bağlı varlıklardan oluşan ağlardır: arkadaşlıklarla bağlı insanlar, bağlarla bağlı atomlar, birlikte satın alınmayla bağlı ürünler. GNN bu bağlantıyı ciddiye alır. Her düğümü tek başına ele almak yerine, her düğümün komşularını dinlemesine ve kendi temsilini çevresine göre güncellemesine izin verir; böylece grafın yapısı modelin öğrendiği şeyin bir parçası olur.

Tarih

Grafik Sinir Ağları, grafta öğrenmeyi komşuluk temelli bir evrişim biçimi olarak çerçeveleyen Kipf ve Welling'in 2017 Grafik Evrişimsel Ağı ile ana akıma girdi. Veličković ve arkadaşları 2018'de Grafik Dikkat Ağları ile fikri genişleterek düğümlerin komşularını farklı ağırlıklandırmasına izin verdi. Hamilton'ın 2020 tarihli Graph Representation Learning monografisi alanı derleyip toparladı ve GNN'ler o zamandan beri ilişkisel veri için standart bir araç haline geldi.

Ne zaman kullanılır?

Bu bölümün bilimsel incelemesi tamamlanmadı. Kaynaktaki koşulları yöntem seçimi kuralı olarak kullanma.

İnceleme bekleyen özgün metin

Sınırlar ve dikkat edilmesi gerekenler

  • Kaynak kayıtta sınırlamalar belirtilmemiş; uygunluk ayrıca değerlendirilmelidir.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Veriyi düz satırlara zorlamak yerine doğrudan ilişkisel yapıdan öğrenir.
  • Sosyal ağlar, moleküler yapılar ve tavsiye sistemleri için doğal olarak uygundur.
  • Özellik dağılımı varsayımı hafiftir; sürekli, kategorik ve ikili düğüm özelliklerini işler.
  • Bir düğümün bağlamının — graftaki komşuluğunun — davranışını nasıl şekillendirdiğini yakalar.

Uygulama alanları

  • Sosyal ağlarda düğüm ve bağlantı analizi.
  • Moleküler yapılar üzerinde özellik tahmini.
  • Kullanıcı–ürün etkileşim grafları üzerine kurulu tavsiye sistemleri.
  • Doğal olarak bağlı herhangi bir veri setinde ilişkileri açıklama ve öğrenme.

Nasıl çalışır?

Nasıl çalışır?

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

İlgili yöntemler

Kaynaklar

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

    Yayın kaynağını aç
    Kopyalandı.
  2. Veličković, P. et al. (2018). Graph Attention Networks. ICLR.

    Yayın kaynağını aç
    Kopyalandı.
  3. Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.

    DOI kaynağını aç
    Kopyalandı.