什麼是圖神經網絡？ 說明與應用【附圖表】

介紹

近年來，神經網絡因其在模式識別和數據挖掘領域的應用和易用性而廣受歡迎。 使用 CNN、RNN 和自動編碼器等技術將深度學習應用於目標檢測和語音識別等任務，為神經網絡的研究和開髮帶來了大量工作。

深度學習在圖像、文本和視頻等數據上的應用很容易執行，因為它們基於歐幾里得數據。 將數據表示為圖形（非歐幾里得）的應用程序又如何呢？

這就是我們引入圖神經網絡（GNN）概念的地方。 在本文中，我們將介紹圖和 GNN 的定義和基礎知識，並了解圖神經網絡的一些最新應用。

什麼是圖表？

從標題 - Graph Neural Networks 中，我們看到 GNN 最基本的部分是 Graph。

在計算機科學中，圖被定義為具有兩個組件的數據結構。 頂點和邊。 圖 G 可以定義為G = VE 。 其中V是頂點的集合，E是它們之間的邊。 術語頂點和節點經常互換使用。 如果邊上有箭頭標記，稱為有向依賴，則它是有向圖。 如果不是，它們是無向圖。

資源

一張圖可以表示幾件事——社交媒體網絡、城市網絡、分子等。考慮下圖表示城市網絡。 城市被表示為節點，連接它們的道路是邊緣。

資源

使用上面的圖網絡，我們可以解決與這些城市有關的幾個問題，例如找到哪些城市連接良好或找到兩個城市之間的最短距離。

什麼是圖神經網絡？

由於圖具有極強的表達能力，它們在機器學習領域受到廣泛關注。 每個節點都有一個與之關聯的嵌入。 該嵌入定義了數據空間中的節點。 圖神經網絡是指在圖上運行的神經網絡架構。

GNN 架構的主要目的是學習一個嵌入，其中包含有關其鄰域的信息。 使用這種嵌入，我們可以解決一些問題，如標記節點、預測節點和邊等。

換句話說，圖神經網絡是另一類深度學習方法，旨在對圖給出的數據進行推理。 它們應用於圖，可以輕鬆執行節點級、邊級和圖級預測任務。

為什麼不是CNN？

GNN 的主要優勢在於它可以執行卷積神經網絡 (CNN) 無法完成的任務。 CNN 用於執行目標檢測、圖像分類和識別等任務。 CNN 使用隱藏的捲積層和池化層實現了這一點。

在圖數據上執行 CNN 在計算上很困難，因為它是高度任意且複雜的拓撲，這意味著沒有空間局部性。 此外，還有一個不固定的節點排序，這使得應用 CNN 變得更加困難。

圖神經網絡

因此，可以理解為，GNN 是一種直接應用於圖的神經網絡，為邊緣級、節點級和圖級預測任務提供了方便的途徑。 圖神經網絡主要有三種類型：

1. 循環圖神經網絡
2. 空間卷積網絡
3. 頻譜卷積網絡

GNN 的直覺之一是節點由其鄰居和連接定義。 我們可以想像一下，如果一個節點的所有鄰居都被刪除，那麼該節點將丟失其所有信息。 因此，節點的鄰居和與鄰居的連接的概念定義了一個節點。

考慮到這一點，讓我們給每個節點一個狀態 (x) 來表示它的概念。 我們可以使用節點狀態 (x) 來產生輸出 (o)，這是關於概念的決策。 節點的最終狀態 (x_n) 稱為“節點嵌入”。 所有圖神經網絡的主要任務是通過查看其相鄰節點的信息來確定每個節點的“節點嵌入”。

讓我們從最強大的 GNN 版本開始，即循環圖神經網絡或 RecGNN

循環圖神經網絡

正如原始論文中提到的，RecGNN 是在 Banach 定點定理的假設下構建的，該定理指出：讓 (X,d) 是一個完整的度量空間，讓 (T:X→X) 是一個收縮映射。 那麼 T 有一個唯一的不動點 (x∗)，並且對於任何 x∈X，n→∞ 的序列 T_n(x) 收斂到 (x∗)。 這意味著如果我在 x 上應用映射 T k 次，x^k 應該幾乎等於 x^(k-1)。

空間卷積網絡

空間卷積網絡的直覺類似於 CNN。 正如我們在 CNN 中所知道的，這個想法是通過使用濾波器和可學習的權重對中心像素周圍的相鄰像素求和來執行卷積。 空間卷積網絡採用類似的思想，將相鄰節點的特徵聚合到中心節點。

資源

頻譜卷積網絡

與其他圖神經網絡相比，這種類型的 GNN 具有很強的數學基礎。 它是根據圖信號處理理論開發的。 它使用切比雪夫多項式近似來簡化。

GNN 能做什麼？

GNN 可以解決的問題大致分為 3 類：

1. 節點分類
2. 鏈接預測
3. 圖分類

節點分類

涉及預測圖中每個節點的節點嵌入。 在這種情況下，只有一部分圖被標記，因此這被稱為半監督圖。 一些應用是YouTube視頻、Facebook好友推薦等。

鏈接預測

主要任務是識別圖中兩個實體之間的關係，並預測兩個實體之間是否存在任何联系。 例如，考慮一個推薦系統，其中模型由不同產品的用戶給出一組評論。 任務是預測用戶的偏好並調整推薦系統以推廣符合用戶興趣的產品。

圖分類

涉及將整個圖分為幾個不同的類別。 它與圖像分類任務非常相似，但這裡的目標是在圖域中。 有幾個圖形分類的例子，例如在化學中，模型以圖形的形式給出分子結構，任務是將目標分類到特定類別。

GNN 的實時應用

自 2018 年推出以來，GNN 已經發現了不少實時應用，總結如下。

自然語言處理

GNN 在各種 NLP 應用中都有應用，例如情感分類、文本分類、序列標籤。 由於其易於應用，它們被用於 NLP。 它們還用於社交網絡分析，例如預測相似帖子和向用戶推薦特定內容。

計算機視覺

計算機視覺是一個廣闊的領域，借助深度學習在圖像分類、對象檢測等領域迅速發展。最受歡迎的應用是卷積神經網絡。 近來，GNN 也已應用於該領域。 雖然 GNN 在計算機視覺中的應用還處於起步階段，但在未來幾年內顯示出巨大的潛力。

科學

GNN 也廣泛用於科學領域，例如物理系統、副作用預測和疾病分類。 化學家也在使用 GNN 來研究化合物和分子的圖形結構。

其他領域

GNN 的應用不僅限於上述任務。 在將 GNN 應用到推薦系統、社交網絡分析等各種領域方面，已經有過幾次嘗試。

結論

在引入 GNN 的過去幾年中，它們已成為解決可以通過圖建模的問題的強大而可靠的工具。 這是由於它的靈活性、表現力和易於可視化。 因此，GNN 是具有廣泛實際應用的非結構化數據的直觀解決方案。

如果您想了解更多關於 GCN 及其功能和優勢的信息，請在 upGrad Education Pvt 註冊。 有限公司和 IIITB 的機器學習和人工智能研究生和文憑課程。 這門機器學習和人工智能課程是為學生和工作專業人士設計的。

該課程提供一系列案例研究和作業、行業指導課程、IIIT 班加羅爾校友身份、頂級公司的就業幫助，最重要的是，豐富的學習經驗。