Graph Neural Networks

Genel Bakış

Grafik sinir ağları, elementlerin bir moleküldeki atomlar gibi kenarlarla bağlantılı olduğu verileri, bir atıf ağındaki sosyal sistem veya kağıtlar gibi işlemektedir. Düzenli bir piksel ızgara veya sıra varsaymak yerine, bu modeller yerel mahallelerden bilgi kullanarak düğüm, kenar veya grafik gösterimini güncellemektedir.

Teknik temeller

Bir mesaj-passing grafiği sinir ağı komşu göç ve kenar eyaletlerinin uyumlu işlevleri tarafından bir temsili güncellemektedir, sonra öğrenilmiş bir güncelleme haritası uygular. Sum aggregasyon, normalleştirilmiş konvolution ortalamaları mahalle bilgilerine rağmen eksprese edilebilir bir dizi işlevin etrafında olabilir. Dikkat özelliklerinden kenar ağırlıklarını öğrenir. Eşdeğer modeller rotasyonları veya çevirileri korur ve özellikle moleküller ve fiziksel sistemler için değerlidir. Weisfeiler-Lehman hiyerarşisi, grafik yapıların ayırt edici bir referans sağlar, ancak standart mesaj geçen her bir morfografik grafiği ayıramaz ve dar hesaplama şişeleri aracılığıyla uzak bilgileri sıkıştırabilir.

Nasıl çalışır

Bir mesaj katmanı komşu özelliklerinden gelen mesajları inşa eder, onları permutasyon-invariant bir işlemle birleştirir ve her düğümü günceller. Tekrarlama katmanları yeniden algılayıcı alanı genişletir. Havuzlama bir grafik seviyesi gösterimi üretirken, dikkat, geometrik kısıtlamalar veya zaman modülleri çerçeveyi özelleştirilmiş verilere adapte eder.

Ölçme ve Araştırma Yöntemleri

Değerlendirme, grafiklerin nasıl bölüneceğini tanımlamalıdır. Rastgele olarak bağlı düğümleri mahalle veya kimlik bilgilerini sızdırabilir, bu yüzden zaman, şüpheli, coğrafi veya varlık-disjoint bölünmüşleri daha gerçekçi olabilir. Baselines, kenarların değer katar olup olmadığını test etmek için yazı olmayan modeller içermelidir. Metrikler sınıf dengesizliğine ve görev maliyetine bağlıdır ve belirsizlik dağıtım değişimi altında değerlendirilmelidir. Analiz yaklaşımları etkili altgrafları, özellikleri veya tersyüzlü kenarları tanımlar, ancak açıklamalar sadakat testleri gerektirir. Büyük grafikler için, komşu örnekleme, altgraf toplulaştırma ve dağıtılmış sparse işlemleri ticaret varyansı, hafıza ve iletişim maliyeti.

Anahtar fikirler

• Grafik inşaat kodlayıcıları ve model davranışına hükmetebilir.
• Belirsizlik, hiçbir şekilde fiziksel bir anlam yaşamadığı zaman değişmez.
• Daha fazla katman daha fazla bilgi garanti etmez çünkü oversmoothing ve oversquashing temsilleri bozabilir.

Mevcut araştırma sınırları

Araştırma, grafik transformatörler, öğrenilmiş grafik inşaatı, dinamik ağlar ve temel modeller moleküler veya bilgi alanlarını kapsar. Fizik-informasyonlı grafik ağları, koruma ve simetriye saygı duyan örgüler veya parçacıklar hakkında simülatörlerle ilgilidir. İlaç ve malzemeler keşfinde, tahminler ölçüm için yedekler olarak tedavi edilenden ziyade belirsiz deneylere yol açıyor. Açık sorunlar uzun vadeli bir sebep içerir, heterofilik grafikler, causal yapı ve sağlamlığı eksik veya manipüle edilmiş kenarlar için içerir. Fairness karmaşıktır çünkü ilişkisel veriler komşular aracılığıyla hassas bilgileri ortaya çıkarabilir. Güvenilir dağıtım bu nedenle grafik bağlantıdaki her iki özelliği izleme ve değişiklikleri izleme gerektirir.

Neden önemli?

Grafik ağları moleküler mülk tahmini, malzeme keşfi, tavsiye sistemleri, trafik modelleme ve bilgi-grafi sebeplerini destekler. İlişkili ve fiziksel indüktif önyargıları dahil etmek için doğal bir yol sunarlar.

Limitler ve açık sorular

Performans, grafik yapısını, önyargılı bağlantıları veya faversarial kenar manipülasyonu altında başarısız olabilir. Hızlı güç bazı grafik ayrımları için sınırlıdır, ölçeklenebilirlik, belirsizlik, katusal yorumlama ve bağlantılı tren örnekleri arasında sızıntı dikkatli bir değerlendirme gerektirir.