图神经网络（GNN）

全球网络如何工作

GNN 的运行过程通常称为 "信息传递 "或 "邻域聚合"。在这个过程中，图中的每个节点都会从其近邻收集信息（特征）。然后，这些聚合信息被用于更新节点自身的特征表示。这一步骤会在多层中重复进行，从而使节点的表征受到图中更远节点的影响。通过在图的结构中传播信息，GNN 可以为每个节点学习丰富的、上下文感知的嵌入，这些嵌入既能编码节点自身的属性，也能编码节点在网络中的位置。这种处理非欧几里得数据的能力是深度学习（DL）领域的一大进步。

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。虽然在物体检测（Ultralytics YOLO等模型在这方面表现出色）和图像分类等任务中功能强大，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 专门用于文本或时间序列分析等顺序数据，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 则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。例如，GNN 可以对知识图谱中存储的数据进行操作。

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，从而加速人工智能在医疗保健领域的研究。这是DeepMind 等机构强调的一个重要用例。
• 社交网络分析： Facebook和 X（前 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。

全球网络的工具和框架

构建和训练 GNN 可通过构建在主要深度学习平台之上的几个专门框架来实现。流行的库包括

• PyTorch Geometric (PyG)：一个基于PyTorch的库，用于编写和训练 GNN，适用于与结构化数据相关的各种应用。
• 深度图库（DGL）：一个易用、高性能、可扩展的开源图深度学习库。
• TensorFlow GNN：谷歌的一个库，用于在TensorFlow平台上构建图神经网络。

这些工具与Ultralytics HUB等用于管理数据集和简化模型部署生命周期的平台相结合，使开发人员能够解决复杂的关系问题。