了解图神经网络 (GNN) 如何利用图结构数据为药物发现、社交网络、交通预测等领域的人工智能带来变革!
图神经网络(GNN)是一类专门的神经网络,设计用于直接处理结构为图的数据。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 擅长捕捉由边连接的节点所代表的实体之间的关系和依赖性。这使得它们在理解连接是关键的任务中特别强大,超越了简单的特征分析,进入了人工智能(AI)的关系推理领域。
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。
必须将 GNN 与其他神经网络架构区分开来:
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。
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:
有几个库为开发 GNN 提供了便利:
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。