LegközelebbKövetkező útmutató
Neurális hálózatok
Alapok
Alapok ÚTMUTATÓ
A gráf neurális hálózatok a gráf-strukturált adatokon tanulnak azáltal, hogy az információkat élek között cserélik és összesítik.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Az üzenettovábbítási mélység korlátozza, hogy hány gráfugrás befolyásolhatja a csomópontot egy előremenetben; A modell viselkedése az architektúrától, gráftól és feladattól függ.
Egy L-rétegű üzenetátadó GNN-ben az információ legfeljebb L gráfugrással terjedhet, mivel minden réteg a közvetlen szomszédoktól aggregálódik. A túlsimítás olyan hibamódot ír le, amelyben az ismételt terjedés a csomópont-beágyazásokat egyre hasonlóbbá teszi; ez architektúrától és beállítástól függ, nem minden GNN elkerülhetetlen konvergenciája. A GraphSAGE megtanulja a nem látható csomópontok aggregációs függvényeit, míg az eredeti GCN szimmetrikusan foknormalizált szomszédsági terjedést használ. A molekuláris üzenet átadása az atomokat és a kötéseket gráf csomópontjaiként és éleiként jeleníti meg.
A molekuláris üzenetet továbbító papír az atomokat csomópontként, a kötéseket pedig élként ábrázolja a molekuláris tulajdonságok előrejelzéséhez.
A GraphSAGE induktív csomópont-reprezentációkat tanulmányoz, amelyek a szomszédsági funkciók segítségével kiszámíthatók a láthatatlan csomópontokhoz.
A GCN- és GAT-dokumentumok jól példázzák a fokszám-normalizált terjedést és a tanult szomszédfigyelést.
A mély üzenettovábbítás bizonyos architektúrákban túlsimítást eredményezhet, ahol a csomópont-reprezentációk kevésbé megkülönböztethetők.
Ezek az idézett dolgozatok konkrét gráf-tanulási módszereket és értékelt feladatokat határoznak meg. Nem állapítják meg, hogy a GNN-ek messzemenően felülmúlják a többi modellcsaládot; minden összehasonlításnak meg kell neveznie az adatkészletet, a feladatot és az alapvonalat.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A gráf neurális hálózatok a gráf-strukturált adatokon tanulnak azáltal, hogy az információkat élek között cserélik és összesítik. Az üzenettovábbítási mélység korlátozza, hogy hány gráfugrás befolyásolhatja a csomópontot egy előremenetben; A modell viselkedése az architektúrától, gráftól és feladattól függ.
A GNN-ek úgy működnek, hogy minden csomópont összegyűjti és összesíti a szomszédaitól érkező üzeneteket, majd frissíti a saját reprezentációját, megismételve a rétegeken keresztül.
Mivel a csomópont szomszédaihoz nincs kanonikus sorrend, az olyan műveletek, mint az összeg, az átlag vagy a max, biztosítják, hogy a kimenet ne függjön a szomszédok listájától.
A túlsimítás egy lehetséges meghibásodási mód egyes mély üzeneteket továbbító GNN-ekben: a csomópont-beágyazások egyre hasonlóbbá válhatnak a rétegek egymásra halmozásával. Nem minden architektúra, gráf vagy feladat esetében elkerülhetetlen.
A GAT megtanulja a figyelem súlyát a szomszédokkal szemben. A szabványos GCN egy fokban normalizált szomszédsági terjedési szabályt használ, nem pedig egységes, nem normalizált súlyokat.
Az idézett molekuláris üzenetet átadó papír az atomokat csomópontként, a kötéseket pedig élként ábrázolja; ez egy alkalmazási példa, nem pedig egy tág állítás, amely szerint a GNN-ek felülmúlnak más módszereket.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Neurális hálózatok
Alapok