Глоссарий

Графовая нейронная сеть (ГНС)

Узнайте, как графовые нейронные сети (ГНС) революционизируют ИИ с использованием графовых данных для поиска лекарств, социальных сетей, прогнозирования трафика и многого другого!

Графовая нейронная сеть (ГНС) - это специализированный тип нейронной сети (НС), предназначенный для проведения выводов на данных, структурированных в виде графа. В отличие от других сетей, которые работают с последовательными или решетчатыми данными, ГНС отлично справляются с улавливанием сложных связей и зависимостей между объектами в графе. Основная сила GNN заключается в их способности обучаться представлениям, включающим информацию о связях узла, что делает их идеальными для задач, в которых контекст и связи являются ключевыми для точного прогнозирования. Этот подход является основополагающим для множества современных решений в области искусственного интеллекта.

Как работают GNN

GNN работают на основе процесса, который часто называют "передачей сообщений" или "агрегированием соседей". В этом процессе каждый узел графа собирает информацию (признаки) от своих ближайших соседей. Эта агрегированная информация затем используется для обновления собственного представления признаков узла. Этот шаг повторяется на нескольких слоях, что позволяет узлу влиять на представление узлов, находящихся дальше в графе. Распространяя информацию по всей структуре графа, GNN учит богатый, контекстно-зависимый эмбеддинг для каждого узла, который кодирует как его собственные атрибуты, так и его положение в сети. Способность обрабатывать неевклидовы данные является важным достижением в области глубокого обучения (ГОО).

Чем GNN отличаются от других сетей

Очень важно понять, чем GNN отличаются от других распространенных архитектур нейронных сетей:

  • Конволюционные нейронные сети (КНС): CNN разработаны для данных с решетчатой структурой, таких как изображения. Они используют конволюционные фильтры, чтобы улавливать локальные пространственные иерархии. Несмотря на то, что CNN эффективны в таких задачах, как обнаружение объектов (где модели, подобные Ultralytics YOLO, превосходят все остальные) и классификация изображений, они не могут справиться с нерегулярной структурой графов.
  • Рекуррентные нейронные сети (РНС): RNN специализируются на последовательных данных, таких как текст или анализ временных рядов, обрабатывая входные данные шаг за шагом и сохраняя внутреннее состояние. Они менее пригодны для работы с графовыми данными, где взаимосвязи не обязательно последовательны.
  • Граф знаний: Хотя в обоих случаях речь идет о графах, граф знаний - это прежде всего структурированное представление фактов и отношений, используемое для хранения, поиска и рассуждений. С другой стороны, GNN - это модели машинного обучения, которые изучают представления на основе данных графов для выполнения прогностических задач. Например, GNN может работать с данными, хранящимися в графе знаний.

Применение в реальном мире

GNN продемонстрировали значительный успех в различных областях благодаря своей способности эффективно моделировать реляционные данные:

  • Открытие лекарств и хемоинформатика: Молекулы могут быть естественным образом представлены в виде графов, где атомы являются узлами, а связи - ребрами. GNN используются для прогнозирования молекулярных свойств, потенциальных взаимодействий и эффективности в процессе открытия лекарств, что ускоряет исследования в области ИИ в здравоохранении. Этот пример использования подчеркивают такие организации, как DeepMind.
  • Анализ социальных сетей: Такие платформы, как Facebook и X(бывший Twitter), генерируют огромные данные о графах. GNN могут анализировать эти сети для выявления сообществ(обнаружение сообществ), предсказания связей (предложения друзей), определения влиятельных пользователей и создания рекомендательных систем.
  • Другие области применения: GNN также применяются в таких областях, как финансовое моделирование для выявления мошенничества, оптимизация маршрутов для прогнозирования трафика, улучшение физического моделирования и улучшение управления инфраструктурой в умных городах.

Инструменты и основы для GNN

Создание и обучение GNN доступно благодаря нескольким специализированным фреймворкам, построенным поверх основных платформ глубокого обучения. К популярным библиотекам относятся:

  • PyTorch Geometric (PyG): Библиотека, построенная на PyTorch, для написания и обучения GNN для широкого спектра приложений, связанных со структурированными данными.
  • Библиотека Deep Graph Library (DGL): Простая в использовании, высокопроизводительная и масштабируемая библиотека с открытым исходным кодом для глубокого обучения на графах.
  • TensorFlow GNN: Библиотека от Google, предназначенная для построения графовых нейронных сетей на платформе TensorFlow.

Эти инструменты в сочетании с такими платформами, как Ultralytics HUB для управления наборами данных и оптимизации жизненного цикла развертывания моделей, позволяют разработчикам решать сложные реляционные задачи.

Присоединяйтесь к сообществу Ultralytics

Присоединяйтесь к будущему искусственного интеллекта. Общайтесь, сотрудничайте и развивайтесь вместе с мировыми новаторами

Присоединяйтесь сейчас
Ссылка копируется в буфер обмена