Grafik Sinir Ağları Nedir? Açıklama ve Uygulamalar [Diyagramlı]

Tanıtım

Son zamanlarda, Yapay Sinir Ağları, Örüntü Tanıma ve Veri Madenciliği alanındaki uygulaması ve kullanım kolaylığı nedeniyle büyük bir popülerlik kazanmıştır. Derin Öğrenmenin CNN, RNN ve otomatik kodlayıcılar gibi teknikleri kullanarak nesne algılama ve konuşma tanıma gibi görevlere uygulanması, Sinir Ağlarının araştırma ve geliştirmesine büyük miktarda çalışma getirmiştir.

Resim, metin ve video gibi veriler üzerinde Derin Öğrenme uygulaması, Öklid verilerine dayalı olduğu için kolaylıkla gerçekleştirilmektedir. Verilerin nesneler arasında oldukça karmaşık ilişkilerle grafikler (Öklid dışı) olarak temsil edildiği uygulamalara ne dersiniz?

İşte burada Grafik Sinir Ağları (GNN) kavramını getiriyoruz. Bu yazıda, Grafikler ve GNN'lerin tanımlarını ve temellerini inceleyeceğiz ve Grafik Sinir Ağlarının en son uygulamalarından bazılarını göreceğiz.

Grafik Nedir?

Grafik Sinir Ağları başlığından, GNN'nin en temel bölümünün bir Grafik olduğunu görüyoruz.

Bilgisayar Biliminde Grafik, iki bileşenli bir veri yapısı olarak tanımlanır. Köşeler ve Kenarlar. Bir G grafiği, G = VE olarak tanımlanabilir. Burada V köşeler kümesi ve E aralarındaki kenarlardır. Köşeler ve düğümler terimi genellikle birbirinin yerine kullanılır. Kenarlarda yön bağımlılığı adı verilen herhangi bir ok işareti varsa, bu bir yönlü grafiktir. Değilse, bunlar yönsüz grafiklerdir.

Kaynak

Bir grafik birkaç şeyi temsil edebilir – sosyal medya ağı, şehir ağı, moleküller vb. Bir şehirler ağını temsil eden aşağıdaki grafiği göz önünde bulundurun. Şehirler düğümler olarak temsil edilir ve onları birbirine bağlayan yollar kenarlardır.

Kaynak

Yukarıdaki grafik ağını kullanarak, hangi şehirlerin iyi bağlantılı olduğunu veya iki şehir arasındaki en kısa mesafeyi bulmak gibi bu şehirlerle ilgili birkaç sorunu çözebiliriz.

Grafik Sinir Ağları Nelerdir?

Grafikler son derece güçlü ifade gücüne sahip olduklarından, Makine Öğrenimi alanında geniş çapta dikkat çekiyorlar. Her düğümün kendisiyle ilişkilendirilmiş bir yerleştirmesi vardır. Bu yerleştirme, veri alanındaki düğümü tanımlar. Grafik Sinir Ağları, bir grafik üzerinde çalışan sinir ağı mimarilerini ifade eder.

Bir GNN mimarisinin birincil amacı, komşuluğu hakkında bilgi içeren bir gömmeyi öğrenmektir. Bu gömmeyi kullanarak, düğümü etiketleme, düğümlerin ve kenarların tahmini vb. gibi birçok sorunu çözebiliriz.

Başka bir deyişle, Grafik Sinir Ağları, grafiklerle verilen veriler üzerinde çıkarım yapmak için tasarlanmış ek bir Derin Öğrenme yöntemleri sınıfıdır. Grafiklere uygulanırlar ve düğüm düzeyinde, kenar düzeyinde ve grafik düzeyinde tahmin görevlerini kolayca gerçekleştirebilirler.

CNN'de Neden Yok?

GNN'nin ana avantajı, Evrişimli Sinir Ağlarının (CNN) yapamadığı görevleri yerine getirebilmesidir. CNN'ler, nesne algılama, görüntü sınıflandırma ve tanıma gibi görevleri gerçekleştirmek için kullanılır. Gizli evrişim katmanlarını ve havuz katmanlarını kullanarak CNN bunu başarır.

Son derece keyfi ve karmaşık topoloji olduğu için grafik verileri üzerinde CNN gerçekleştirmek hesaplama açısından zordur, bu da uzamsal bir yerellik olmadığı anlamına gelir. Ayrıca, CNN'yi uygulamayı zorlaştıran sabitlenmemiş bir düğüm sırası vardır.

Grafik Sinir Ağları

Böylece, GNN denildiği gibi, doğrudan graflara uygulanan ve kenar seviyesi, düğüm seviyesi ve grafik seviyesi tahmin görevleri için uygun yol sağlayan bir sinir ağı olduğu anlaşılmaktadır. Temel olarak üç tür Grafik Sinir Ağı vardır:

1. Tekrarlayan Grafik Sinir Ağı
2. Mekansal Evrişimsel Ağ
3. Spektral Evrişimsel Ağ

GNN'nin sezgilerinden biri, düğümlerin komşuları ve bağlantıları tarafından tanımlanmasıdır. Bir düğümün tüm komşuları kaldırılırsa, düğümün tüm bilgilerini kaybedeceğini hayal ederek bunu görselleştirebiliriz. Böylece, bir düğümün komşuları kavramı ve komşularla olan bağlantılar bir düğümü tanımlar.

Bunu akılda tutarak, her düğüme kavramını temsil etmesi için bir durum (x) verelim. Konsept hakkındaki karar olan bir çıktı (o) üretmek için (x) düğüm durumunu kullanabiliriz. Düğümün son durumu (x_n), “düğüm gömme” olarak adlandırılır. Tüm Grafik Sinir Ağlarının ana görevi, komşu düğümlerdeki bilgilere bakarak her bir düğümün “düğüm gömmesini” belirlemektir.

GNN, Recurrent Graph Neural Network veya RecGNN'nin en güçlü sürümüyle başlayalım.

Tekrarlayan Grafik Sinir Ağı

Orijinal makalede bahsedildiği gibi, RecGNN, Banach Sabit Nokta Teoremi varsayımıyla oluşturulmuştur: (X,d) tam bir metrik uzay olsun ve (T:X→X) bir daralma eşlemesi olsun. O zaman T benzersiz bir sabit noktaya (x∗) sahiptir ve herhangi bir x∈X için n→∞ için T_n(x) dizisi (x∗)'ye yakınsar. Bu, T eşlemesini x üzerinde k kez uygularsam, x^k'nin neredeyse x^(k-1)'e eşit olması gerektiği anlamına gelir.

Mekansal Evrişimsel Ağ

Uzamsal Evrişim Ağının sezgisi, CNN'ninkine benzer. CNN'de bildiğimiz gibi, fikir, bir merkez pikselin etrafındaki komşu pikselleri bir filtre ve öğrenilebilir ağırlıklarla toplayarak evrişim gerçekleştirmektir. Uzamsal Evrişimsel Ağlar, komşu düğümlerin özelliklerini merkez düğüme doğru toplayarak benzer bir fikri benimser.

Kaynak

Spektral Evrişimsel Ağ

Diğer Grafik Sinir Ağlarının aksine, bu tür GNN güçlü bir matematik temeline sahiptir. Grafik Sinyal İşleme Teorisi üzerine geliştirilmiştir. Sadeleştirme için Chebyshev polinom yaklaşımını kullanır.

Bir GNN Ne Yapabilir?

Bir GNN'nin çözebileceği problemler genel olarak 3 kategoride sınıflandırılır –

1. Düğüm Sınıflandırması
2. Bağlantı Tahmini
3. Grafik Sınıflandırması

Düğüm Sınıflandırması

bir grafikteki her bir düğüm için düğüm yerleştirmeyi tahmin etmeyi içerir. Bu gibi durumlarda, grafiğin yalnızca bir kısmı etiketlenir ve bu nedenle bu, yarı denetimli grafik olarak bilinir. Bazı uygulamalar YouTube videoları, Facebook arkadaş tavsiyesi vb.

Bağlantı Tahmini

Ana görev, bir grafikte iki varlık arasındaki ilişkiyi belirlemek ve iki varlık arasında herhangi bir bağlantı olup olmadığını tahmin etmektir. Örneğin, bir modele farklı ürünlerin kullanıcıları tarafından bir dizi incelemenin verildiği bir tavsiye sistemi düşünün. Görev, kullanıcıların tercihlerini tahmin etmek ve tavsiye sistemini, kullanıcıların ilgi alanlarına uygun ürünleri tanıtmak için ayarlamaktır.

Grafik Sınıflandırması

tüm grafiği birkaç farklı kategoriye ayırmayı içerir. Görüntü sınıflandırma görevine oldukça benzer ancak buradaki hedef grafik alanındadır. Kimyada olduğu gibi birkaç Grafik Sınıflandırma örneği vardır, bir modele bir grafik şeklinde moleküler bir yapı verilir ve görev, hedefi belirli bir kategoride sınıflandırmaktır.

GNN'nin Gerçek Zamanlı Uygulamaları

2018'deki tanıtımından bu yana, GNN'ler aşağıda özetlenen birkaç gerçek zamanlı uygulama buldu.

Doğal Dil İşleme

GNN, uygulamalarını Duyarlılık Sınıflandırma, Metin Sınıflandırma, Sıra Etiketleme gibi çok çeşitli NLP uygulamalarında bulur. Uygulama kolaylığı nedeniyle NLP'de kullanılırlar. Benzer gönderilerin tahmin edilmesi ve kullanıcılara belirli içeriklerin önerilmesi gibi Sosyal Ağ Analizlerinde de kullanılırlar.

Bilgisayar görüşü

Bilgisayarla Görme, Görüntü Sınıflandırma, Nesne Algılama vb. alanlarda Derin Öğrenme yardımıyla hızla büyüyen geniş bir alandır. En popüler uygulama Evrişimli Sinir Ağlarıdır. Geç saatlerde, GNN'ler bu alanda da uygulandı. GNN'nin Computer Vision uygulaması başlangıç ​​aşamasında olmasına rağmen, önümüzdeki yıllarda büyük bir potansiyel gösterecektir.

Bilim

GNN'ler ayrıca Fizik Sistemleri, Yan Etki Tahmini ve Hastalık Sınıflandırması gibi Bilimde yaygın olarak kullanılmaktadır. Kimyacılar ayrıca bileşiklerin ve moleküllerin grafik yapısını incelemek için GNN'leri kullanıyorlar.

Diğer Etki Alanları

GNN uygulaması sadece yukarıdaki görevlerle sınırlı değildir. GNN'nin tavsiye sistemleri, sosyal ağ analizi vb. gibi çeşitli alanlara uygulanması konusunda birkaç girişimde bulunulmuştur.

Çözüm

GNN'lerin tanıtılmasından bu yana geçen birkaç yılda, grafiklerle modellenebilen problemleri çözmek için güçlü ve güvenilir bir araç haline geldiler. Bunun nedeni esnekliği, ifade gücü ve kolay görselleştirmesidir. Bu nedenle, GNN'ler, çok çeşitli gerçek dünya uygulamalarıyla yapılandırılmamış verilere sezgisel bir çözümdür.

GCN, özellikleri ve faydaları hakkında daha fazla bilgi edinmek istiyorsanız, upGrad Education Pvt'ye kaydolun. Ltd. ve IIITB'nin Makine Öğrenimi ve Yapay Zeka üzerine Yüksek Lisans ve Diploma kursu. Makine Öğrenimi ve Yapay Zeka üzerine bu kurs, öğrenciler ve çalışan profesyoneller için tasarlanmıştır.

Kurs, vaka çalışmaları ve ödevler, endüstri mentorluk oturumları, IIIT Bangalore Mezunları durumu, en iyi şirketlerle işe yerleştirme yardımı ve en önemlisi zengin bir öğrenme deneyimi sunar.