图神经网络（GNN）

图神经网络的核心概念

GNN 的基本运作方式是迭代更新图中每个节点的表示（或嵌入）。它们通过聚合节点的本地邻域--其相连的邻域和连接邻域的边--中的信息来实现这一功能。这一过程通常被称为 "信息传递 "或 "邻域聚合"，它允许节点将其邻居和图结构的特征纳入自己的表示中。通过堆叠多个 GNN 层，信息可以在图中传播更大的距离，从而使网络能够学习复杂的高级模式。GNN 使核心深度学习（DL）概念适用于非欧几里得图数据。目前存在几种 GNN 变体，包括图卷积网络（GCN）、GraphSAGE 和图注意力网络（GAT），每种网络都采用不同的聚合和更新策略。如需全面了解，可参考评论文章《图神经网络：方法与应用综述》（Graph Neural Networks：A Review of Methods and Applications"（《图神经网络：方法与应用综述》）等资料提供了更深入的见解。

全球网络与其他网络的区别

必须将 GNN 与其他神经网络架构区分开来：

• 卷积神经网络（CNN）：主要针对网格结构数据（如图像）而设计，使用卷积操作在数据上滑动固定大小的滤波器。它们擅长图像分类和物体检测等任务。GNN 将卷积泛化为不规则的图形结构。
• 递归神经网络（RNN）：专为文本或时间序列等顺序数据而设计，在保持内部状态或记忆的同时，一步步处理输入。GNN 专注于关系数据，而非顺序数据。

虽然Ultralytics YOLO 等模型在图像数据的物体检测等任务中是最先进的，但当底层数据和问题本身最适合表示为图形时，GNN 才是最佳架构。

实际应用

由于 GNN 能够有效地建立关系模型，它已被广泛应用于多个领域：

• 药物发现与化学信息学：GNNs 可将分子表示为图（原子为节点，键为边），以预测毒性、溶解性或相互作用潜力等特性，从而大大加快药物发现过程。这是人工智能在医疗保健领域的一个关键领域。
• 社交网络分析：了解用户关系、社区检测以及预测Facebook或Twitter 等社交网络中的联系或影响力。
• 推荐系统：将用户和项目建模为图中的节点，根据以往的互动和联系预测用户的偏好。
• 欺诈检测：通过发现异常模式或连接，识别金融交易网络或在线平台中潜在的欺诈活动，从而提高数据安全性。
• 交通预测：将道路网络建模为图形，以预测交通流量和拥堵情况，从而在智能城市中实现更智能的交通管理。

工具和框架

有几个库为开发 GNN 提供了便利：

• PyTorch Geometric (PyTorch )：一个基于 PyTorch提供了许多 GNN 层和基准数据集的高效实现。
• 深度图库（DGL）：另一个广泛使用的框架，支持多种深度学习后端PyTorch、TensorFlow），提供优化的图操作。
• TensorFlow GNN：库，用于在 TensorFlow生态系统中构建 GNN 模型的库。

Ultralytics HUB等平台简化了各种人工智能模型的训练和部署，虽然目前主要侧重于视觉任务，但基于图的技术的集成代表了在平台内处理复杂关系数据的潜在未来方向。您可以探索各种Ultralytics 集成，以连接工作流程中的不同工具。