شبکه عصبی گراف (GNN) مدل جدیدی است که می‌تواند برای تجزیه و تحلیل نمودارها استفاده شود. گراف‌ها ساختارهای داده‌ای قوی هستند که شامل روابط بین اشیا هستند و GNNها به شما اجازه می‌دهند این روابط را به روش‌های جدیدی کشف کنید. به عنوان مثال، می‌توانید از GNN برای شناسایی افرادی که احتمالاً محصولی را در رسانه‌های اجتماعی توصیه می‌کنند، استفاده کنید.
گراف چیست؟
گراف یک نمایش انتزاعی از یک شبکه است.
نمودارها در بسیاری از زمینه‌ها از جمله علوم کامپیوتر و علوم اجتماعی استفاده می‌شوند. آنها برای مدل‌سازی روابط بین اشیاء مانند پیوندهای موجود در اینترنت، دوستی بین افراد در فیس‌بوک، یا زنجیره غذایی در یک اکوسیستم استفاده می‌شوند.
در علم داده، می‌توانید از نمودارها برای نشان دادن ارتباطات بین اشیا استفاده کنید.
یک نمودار را می‌توان به صورت G=(V,E) تعریف کرد، که در آن V مجموعه‌ای از گره‌ها (راس) و E لبه‌های بین آنها است. بسته به اینکه وابستگی جهتی بین رئوس وجود داشته باشد، یال‌ها می‌توانند جهت‌دار یا بدون جهت باشند. رئوس اغلب گره نامیده می‌شوند.
شبکه‌های عصبی گراف (GNN) چیست؟
شبکه‌های عصبی گراف (GNN) راه‌حلی برای مشکلی هستند که سال‌ها علم کامپیوتر را درگیر کرده است و آن این است که چگونه می‌توانیم بینایی کامپیوتر را روی نمودارها کار کنیم؟
نمودارها از زمان پیدایش آن بخش مرکزی علم کامپیوتر بوده‌اند، اما اخیراً فناوری‌هایی را برای درک آنها بدست آورده‌ایم و در بسیاری از موارد، ما هنوز در مورد اصول اولیه به کمک نیاز داریم.
شبکه‌های عصبی پیچیده (CNN) در تشخیص و طبقه‌بندی تصاویر عالی هستند اما باید روی نمودارها کار کنند. آنها ظرفیت آن را ندارند.
GNNها وارد می‌شوند. آنها راه آسانی را برای انجام وظایف پیش‌بینی در سطح گره، سطح لبه و سطح گراف ارائه می‌دهند.
GNNها می‌توانند کاری را انجام دهند که CNNها شکست خوردند. ابزارهایی را برای تجزیه و تحلیل روابط پیچیده بین اشیاء در یک شبکه بدون ایجاد اتصالات نادرست یا از دست دادن اطلاعات مهم در مورد آن روابط، در اختیار ما قرار دهند.
شبکه‌های پیچیده گراف چیست؟
شبکه‌های پیچیده گراف (GCN) نوعی شبکه عصبی هستند که می‌توانید برای حل مشکلات داده‌های ساختاریافته گراف از آنها استفاده کنید.
سه جزء ضروری یک GCN عبارتند از پیچیدگی نمودار، یک لایه خطی و یک تابع فعال سازی غیرخطی.
عملیات معمولاً به این ترتیب انجام می‌شود. آنها با هم یک لایه شبکه را تشکیل می‌دهند. ما می‌توانیم یک یا چند لایه را با هم ترکیب کنیم تا یک GCN کامل تشکیل دهیم.
DeepWalk
DeepWalk یک شبکه عصبی گراف جدید است که مستقیماً بر روی ساختار گراف هدف عمل می‌کند. از یک تکنیک پیمایش مسیر تصادفی برای ارائه بینش در مورد ساختارهای محلی در شبکه ها استفاده می‌کند. این کار را با استفاده از این مسیرهای تصادفی به عنوان دنباله‌ای انجام می‌دهد که سپس برای آموزش یک مدل زبان Skip-Gram استفاده می‌شود.
مدل Skip-Gram با تشخیص اینکه کدام گره‌ها به احتمال زیاد به کلمات ورودی متصل می‌شوند کار می‌کند. سپس از این گره‌ها برای تولید توالی کلمات پیش‌بینی شده برای آن گره‌ها استفاده می‌شود که می‌توانید آنها را با خروجی‌های واقعی شبکه مقایسه کنید. این فرآیند به شما امکان می‌دهد یک مدل زبان آموزش‌دیده ایجاد کنید که می‌تواند تنها بر اساس بافت آن در ساختار نمودار، پیش‌بینی کند که چه کلمات دیگری ممکن است در متن ورودی شما رخ دهد.
DeepWalk با استفاده از مسیرهای تصادفی به عنوان دنباله و مقایسه آنها با خروجی واقعی از خود شبکه، از این مفهوم برای ارائه بینشی در مورد ساختارهای محلی در شبکه ها استفاده می‌کند.
GraphSage
GraphSAGE یک تکنیک یادگیری نمایشی برای نمودارهای پویا است. از یادگیری قیاسی برای پیش‌بینی تعبیه یک گره جدید بدون آموزش مجدد استفاده می‌کند. از توابع جمع‌کننده برای القای جاسازی گره‌های جدید بر اساس ویژگی‌ها و همسایگی‌های گره استفاده می‌کند. به جای جمع کردن و از دست دادن مسیر آنها، از یک تابع تجمع کلی استفاده می‌کنیم که آنها را جدا نگه می‌دارد.
قبل از اینکه از میانگین تجمعی استفاده کنیم، ما پیام را از همسایگان گرفتیم و آنها را جمع کردیم، سپس آنها را توسط تعداد همسایگان نرمال کردیم. در حال حاضر، ما همچنین می‌توانیم یک رویکرد نوع ادغام ایجاد کنیم یا از شبکه های عصبی عمیق مانند LSTM ها استفاده کنیم.
کاربردهای GNN
داده‌های ساختار یافته نمودار در همه جا وجود دارد. نمودارها یک ساختار داده رایج برای ذخیره، تجزیه و تحلیل و نمایش اطلاعات و یافتن الگوهایی در داده ها هستند که در غیر این صورت ممکن است قابل کشف نباشند.
کاربرد GNNها عبارتند از:
طبقه‌بندی گره‌ها، شامل تعیین برچسب‌گذاری نمونه‌ها با نگاه کردن به برچسب‌های آنها و برچسب‌های همسایه‌ها است. این مشکلات معمولاً به صورت نیمه نظارتی آموزش داده می‌شوند و تنها بخشی از نمودار برچسب‌گذاری شده است.
خوشه‌بندی گراف، به خوشه‌بندی داده‌ها در قالب نمودار اشاره دارد. خوشه‌بندی رأس به دنبال خوشه‌بندی گره‌ها در گروه‌هایی از نواحی متراکم متصل بر اساس وزن یال‌ها است. شکل دوم خوشه‌بندی گراف، گراف‌ها را به‌عنوان اشیایی که باید خوشه‌بندی شوند، در نظر می‌گیرد و این خوشه‌ها بر اساس شباهت هستند.
طبقه بندی گراف، یک فناوری حیاتی برای طبقه بندی تصاویر، سیستم‌های توصیه، NLP و تجزیه و تحلیل شبکه‌های اجتماعی است.
تجسم گراف، حوزه‌ای از ریاضیات و علوم کامپیوتر است که در نقطه تلاقی نظریه نمودار هندسی و تجسم اطلاعات قرار دارد. به نمایش بصری نمودارها مربوط می‌شود که ساختارها و ناهنجاری‌هایی که ممکن است در داده‌ها وجود داشته باشد را نشان می‌دهد و به کاربر در درک نمودارها کمک می‌کند.
پیش‌بینی، لینک یک کار مهم در شبکه‌های اجتماعی است که در آن استنباط تعاملات اجتماعی بین موجودیت‌ها یا توصیه دوستان احتمالی به کاربران ضروری است. همچنین در مشکلات سیستم‌های توصیه‌گر و پیش‌بینی انجمن‌های مجرمانه استفاده شده است.
GNNها در بینایی ماشین
GNNها ابزار جدید و قدرتمندی در بینایی کامپیوتری هستند و کاربردهای آنها هر روز در حال افزایش است.
آنها را می‌توان برای مشکلات طبقه‌بندی تصویر به کار برد، به ویژه در مواردی که هنوز پیشرفت زیادی برای ماشین‌ها لازم است تا شهود بصری انسان را داشته باشند.
در یکی از این مشکلات، تولید نمودار صحنه، مدل قصد دارد یک تصویر را به یک نمودار معنایی که از اشیا و روابط معنایی آنها تشکیل شده است، تجزیه کند. با توجه به یک تصویر، مدل‌های تولید نمودار صحنه، اشیا را شناسایی و تشخیص می‌دهند و روابط معنایی بین جفت چیزها را پیش‌بینی می‌کنند.
GNNها در پردازش زبان طبیعی
شبکه‌های عصبی نمودار (GNN) ابزاری قدرتمند برای حل بسیاری از مشکلات NLP هستند.
GNNها برای حل وظایفی مانند طبقه بندی متن، بهره‌برداری از معناشناسی در ترجمه ماشینی، مکان‌یابی کاربر و استخراج رابطه استفاده شده‌اند. اخیراً GNNها برای پاسخگویی به سؤالات نیز به کار گرفته شده‌اند.
GNNها در سایر دامنه‌ها
از زمان اختراع GNNها در دهه 1960، GNNها برای وظایف و حوزه‌های مختلف استفاده شده‌اند. آنها برای ایجاد مدل‌هایی برای تشخیص بیماری‌ها، پیش‌بینی روندها و الگوهای اجتماعی و پیش‌بینی نتایج انتخابات استفاده شده‌اند.
ترافیک
مشکل پیش‌بینی ترافیک بخش مهمی از هر سیستم حمل و نقل هوشمند است. ما می‌توانیم با استفاده از STGNN به آن بپردازیم. ما شبکه ترافیک را به عنوان یک نمودار مکانی-زمانی در نظر می‌گیریم که در آن گره‌ها حسگرهایی هستند که در جاده‌ها نصب شده‌اند و فاصله بین جفت گره‌ها لبه‌ها را اندازه‌گیری می‌کند. میانگین سرعت ترافیک هر گره در یک پنجره دارای ورودی پویا است.
علم شیمی
گره‌ها و لبه‌های نمودار ساختار یک مولکول را نشان می‌دهند. گره ها اتم هستند و لبه‌ها پیوندهای شیمیایی هستند. می‌توانید از نمودارها برای تجزیه و تحلیل ساختار مولکولی مولکول‌ها یا ترکیبات استفاده کنید.
آیا تمایل به آشنایی با موقعیت شغلی کارشناس شبکه دارید؟اکنون بیاموزید.
