Графические нейронные сети

Обзор

Графические нейронные сети обрабатывают данные, элементы которых связаны между собой ребрами (например атомы в молекуле), пользователи социальной системы или статьи из цитируемой среды. Вместо того, чтобы предполагать обычную сетку пикселей или последовательность этих моделей обновляют узлы и ребра изображений графов используя информацию из локальных окрестностей.

Технические основы

Нейронная сеть, пропускающая сообщение в графе обновляет представление узла путем агрегирования функций соседних узлов и краевых состояний ; затем применяется изученное обновление карты. Агрегация сумм может приблизиться к выразительным функциям множества, в то время как нормализованная свертка усредняет информацию о соседстве. Внимание учится весу края из особенностей. Эквивариантные модели сохраняют вращения или трансляции и особенно ценны для молекул. Иерархия Вайсфеллер-Леман обеспечивает одну ссылку для различения структур графов, но стандартный пропуск сообщения не может разделить каждый изоморфический график и сжимает удаленную информацию через узкие вычислительные узкосплошные места.

Как это работает

Слой, проходящий сообщением строит сообщения из соседних функций и объединяет их с работой переменного-перемещения или обновляет каждое состояние узла. Повторяющиеся слои расширяют восприимчивое поле. Пуллинг создает представление на уровне графа, в то время как внимание и геометрические ограничения адаптируют структуру к специализированным данным.

Методы измерения и исследования

Оценка должна определять, как графы разделенные. Случайно разделяющиеся подключенные узлы могут утечка информации о соседстве или идентичности, поэтому временный разрезы с пространственными и географическими границами может быть более реалистичным. Базовые линии должны включать неграфические модели для проверки того, добавляют ли края значения. Метрики зависят от классового дисбаланса и стоимости задачи, а неопределенность должна оцениваться в условиях смещения распределения. Подходы к интерпретации определяют влиятельные подграфа, особенности или контрфактические грани; но объяснения требуют проверки точности. Для больших графов, соседней выборки и субграфа пакетирования распределенных разреженных операций торговая дисперсия (диспария), памятью или стоимостью связи.

Ключевые идеи

• Графическая конструкция кодирует предположения и может доминировать в моделировании поведения.
• Инвариантность перестановок требуется, когда упорядочение узлов не имеет физического смысла.
• Больше слоев не гарантируют больше информации, потому что чрезмерное сглаживание и перенапряжение могут ухудшить представления.

Современные исследовательские границы

Исследования исследуют графовые трансформаторы, изученную конструкцию графиков и динамические сети с использованием моделей фундаментных структур в молекулярных или информационных областях. Сети графов, основанные на физике и являющиеся примерными симуляторами для ячеек или частиц при соблюдении сохранения их свойств. В области разработки лекарств и материалов прогнозы связаны с экспериментами, основанными на неопределенности (неопределенностях), а не рассматриваются как замена измерениям. Открытые проблемы включают в себя дальнодействующие рассуждения, гетерофильные графики и каузальную структуру с отсутствием или манипулирование краями. Справедливость сложна, потому что реляционные данные могут распространять конфиденциальную информацию через соседей. Поэтому надежное развертывание требует мониторинга как дрейфа функций, так и изменений в подключении к графу.

Почему это важно

Графические сети поддерживают предсказание молекулярных свойств, обнаружении материалов и рекомендательных систем; моделирование трафика. Они предлагают естественный способ включения реляционных и физических индуктивных предубеждений.

Пределы и открытыые вопросы

Производительность может потерпеть неудачу при изменении структуры графа, предвзятых ссылок или состязательных манипуляций с краем. Экспрессивная мощность ограничена для некоторых различий в графах, а масштабируемость и неопределенность при интерпретации причинно-следственных связей между подключенными образцами требуют тщательной оценки.