图神经网络（GNN）

图神经网络（GNN）是一类专门用于处理图结构数据的神经网络。图由节点（实体）和边（实体之间的关系）组成。与针对网格状数据（如图像）或顺序数据（如文本）进行优化的传统网络不同，GNN 擅长捕捉图结构中的复杂关系和依赖性。这种能力使它们能够执行严重依赖于理解连接的任务，超越简单的特征分析，进入人工智能（AI）的关系推理领域。

图神经网络的核心概念

GNN 的基本原理是迭代更新节点表征（通常称为嵌入）。每个节点的表征都是通过聚合其本地邻域--直接相连的邻域和连接邻域的边--的信息来完善的。这种核心机制通常被称为"信息传递"或 "邻域聚合"。通过这一过程，节点将其邻居的特征和图的结构信息（离散数学）纳入自己的更新表示中。

通过堆叠多个 GNN 层，信息可以在图中传播更远的距离，从而使网络能够学习复杂的高级模式和依赖关系。GNN 能有效地调整核心深度学习（DL）概念，以处理图结构的、通常是非欧几里得数据。目前已开发出几种不同的 GNN，每种都有独特的聚合和更新策略，包括图卷积网络（GCN）、GraphSAGE 和图注意网络（GAT）。要详细了解这些方法，可参阅评论文章《图神经网络：方法与应用综述》：方法与应用综述》提供了全面的见解。

全球网络与其他网络的区别

了解 GNN 与其他常见神经网络架构的区别至关重要：

• 卷积神经网络（CNN）：卷积神经网络专为网格结构数据（如图像）而设计。它们使用卷积滤波器来捕捉局部空间层次。虽然对于物体检测等任务（其中的模型如 Ultralytics YOLO等模型）和图像分类等任务时非常强大，但它们本质上无法处理图形的不规则结构。
• 递归神经网络（RNN）：RNN 专门用于处理文本或时间序列等顺序数据，逐步处理输入并保持内部状态。它们不太适合图形数据，因为图形数据的关系不一定是连续的。
• 知识图谱：虽然两者都涉及图，但知识图主要是事实和关系的结构化表示，用于数据存储、检索和推理。而 GNN 是一种机器学习模型，可从图数据中学习表征，从而执行预测任务。

从本质上讲，当数据的固有结构和问题本身最适合用图形来表示时，GNN 就是首选架构，它侧重于从连接和关系中学习。

实际应用

由于 GNN 能够对关系数据进行有效建模，因此在各个领域都取得了巨大成功：

• 药物发现与化学信息学：分子可以自然地表示为图，其中原子是节点，键是边。GNN 可用于预测药物发现过程中的分子特性、潜在相互作用和药效，从而加速医疗保健领域的人工智能研究。
• 社交网络分析： Facebook和Twitter等平台会生成大量图数据。GNN 可以通过分析这些网络来检测社区（社区检测）、预测链接（好友建议）、识别有影响力的用户，并为推荐系统提供支持。
• 其他应用：GNN 还可应用于欺诈检测的金融建模、交通预测的路线优化、增强物理模拟以及改善智能城市的基础设施管理等领域。