กราฟโครงข่ายประสาทเทียม

โครงข่ายประสาทเทียมแบบกราฟ (GNN) เป็นแบบจำลองที่เรียนรู้โดยตรงเกี่ยวกับข้อมูลที่มีโครงสร้างกราฟ — โหนดที่เชื่อมต่อกันด้วยขอบ — โดยการส่งผ่านและรวบรวมข้อมูลระหว่างเพื่อนบ้าน สิ่งเหล่านี้มีความสำคัญเนื่องจากโลกแห่งความเป็นจริงส่วนใหญ่มีความสัมพันธ์กัน เครือข่ายสังคม โมเลกุล แผนที่ถนน และระบบการแนะนำล้วนเป็นกราฟที่เส้นตารางและลำดับไม่สามารถแสดงได้ตามธรรมชาติ

GNN ทำงานผ่านการส่งข้อความ แต่ละโหนดเริ่มต้นด้วยเวกเตอร์คุณลักษณะ และในแต่ละเลเยอร์ ทุกโหนดจะรวบรวมข้อความจากเพื่อนบ้าน รวมเข้ากับฟังก์ชันการเรียงสับเปลี่ยนที่ไม่แปรเปลี่ยน เช่น ผลรวม ค่าเฉลี่ย หรือสูงสุด และอัปเดตการแสดงของตัวเอง การซ้อนเลเยอร์ L ช่วยให้ข้อมูลแพร่กระจาย L ฮอปไปทั่วกราฟ ดังนั้นการฝังขั้นสุดท้ายของโหนดจึงสะท้อนถึงบริเวณใกล้เคียงที่กว้างกว่า ไม่ใช่แค่การเชื่อมต่อในทันที รูปแบบการรวมที่แตกต่างกัน: Graph Convolutional Networks ใช้การเฉลี่ยเพื่อนบ้านแบบมาตรฐาน, ตัวอย่าง GraphSAGE และรวมจำนวนเพื่อนบ้านคงที่เพื่อความสามารถในการปรับขนาด และ Graph Attention Networks เรียนรู้น้ำหนักเพื่อให้โหนดเข้าร่วมกับเพื่อนบ้านที่สำคัญมากขึ้น การฝังโหนด ขอบ หรือทั้งกราฟที่เรียนรู้ จากนั้นป้อนส่วนหัวการจำแนกประเภท การถดถอย หรือการคาดการณ์ลิงก์