用5分钟解释图神经网络

图神经网络（Graph Neural Networks，简称GNNs）是一个现代概念，可帮助分析图形，推断对象之间的关系，并从中预测有意义的数据。

人工智能和machine learning的流行进一步提高了企业和消费者对像GNNs这样的概念的需求。

它们对于多个行业和用户来说都是很有帮助的，可以执行图像和文本分类、自然语言处理、产品推荐、社交媒体分析等任务。

现在，问题是当涉及到图形时，使用标准方法（如CNNs）进行分析和表示可能会很具有挑战性。

这就是GNNs发挥作用的地方，它们可以解决几个图问题。

在本文中，我将讨论GNNs是什么，它们如何工作，它们在现实世界中的应用等等。

所以，请继续关注！

图形介绍

图形本质上是一种表示相关数据的方式。它有助于可视化对象、人物和概念之间的关系。图形还可以帮助训练复杂任务的machine learning (ML) models。图形的例子可以是社交媒体网络、对各种物理系统进行建模、分析指纹等。

在计算机科学领域，图形是一种数据结构，有两个组成部分：边缘和节点（或顶点）。边缘也被称为链接，确定不同节点之间的关系，而节点则是实体、对象、地点等。

数学上，一个图形可以用以下公式描述：

G = (V, E)

这里，G表示图形，V表示顶点集合，E表示边缘。

图形分为两种类型：

有向图：有向图表示两个节点之间的方向依赖关系。这种类型的图可以是单向的或双向的。
无向图：无向图没有方向依赖性，节点仅相互链接。

为什么图形分析具有挑战性？

图形分析可能具有很多挑战的原因：

图形存在于非欧几里得空间，这意味着数据处理的是曲面而不是二维或三维的平面。这使得解释图形及其数据变得困难。
一个图形可能有数十个、数百个甚至数百万个节点，并且每个节点的边缘数量可能不同。由于图形的规模和维度因素，解释图形的复杂性增加。
图形的大小是动态的，没有固定的形式。两个图形可能看起来不同，但可能具有相似的邻接矩阵表示。这样，使用传统工具分析图形可能效率低下且具有挑战性。

另一方面，图形可能随时间扩展或收缩。这也意味着如果您想通过矩阵表示图形数据，可能效率低下，并且可能会创建表示相同图形的稀疏指标。此外，它们不是置换不变的，因为它们可能不会产生相同的结果。

综合考虑所有这些问题，引入了GNNs以更有效地解决图形预测问题。

什么是图神经网络？

图神经网络（Graph Neural Network，简称GNN）是一种用于处理以图形表示的数据的人工神经网络（Artificial Neural Networks，简称ANNs）。

GNNs基于链接和图论的概念构建。这些网络利用深度学习（是机器学习和人工智能的子集）的预测智能来分析和处理数据。

GNN可以将输入数据作为一个带有嵌入节点、边缘和上下文的图形，并创建输出作为一个图形，其嵌入通过保持输入图形的对称性进行更新和转换。

将GNNs视为一个图形，其中数据是节点，数据之间的连接是边。您可以直接应用GNNs到图形中，并以更简单的方式执行边缘、节点或图形级别的预测任务。

GNNs可以更好地将图形结构和特征信息结合起来，通过特征聚合和传播来学习图形表示。

在现实世界中，GNNs被用于研究和解决多个领域的复杂问题。一些使用案例包括在大型网络中识别特定节点，对模式进行分类，可视化、过滤和分析图形，分析社交网络，价格预测等等。

GNNs最早是由意大利研究人员在2009年发表的一篇论文中首次引入的。阿姆斯特丹的两位研究人员还通过另一种变体称为图卷积网络（GCN）展示了GNNs的强大功能。

GNNs的类型

神经网络有很多类型，大多数类型中都有某种形式的CNN。GNNs的类型有：

#1. 递归图神经网络（RGNNs）

RGNNs研究扩散模式，并可以管理具有多个关系的节点的多关系图。这些网络使用正则化器增强平滑性并避免过度参数化。

它们使用有限的计算能力产生更好的结果。RGNNs被用于机器翻译、文本生成、speech recognition、视频标记、图像描述生成、文本摘要等等。

#1. 门控图神经网络（GGNNs）

在涉及长期依赖性的任务中，这些网络甚至比RGNNs更好。GGNNs通过添加时间门、边缘和节点来增强RGNNs上的长期依赖性。这些网络用于在各种状态下记住和遗忘信息。

#2. 图卷积网络（GCN）

GCNs类似于传统的CNNs。GCNs通过检查其相邻节点来学习对象或实体的特征。GNNs聚合各种节点向量并将结果传递给稠密层。接下来，网络使用激活函数进行非线性处理。GCNs进一步分为两种类型-空间和光谱Convolutional Networks。

#3. 图自编码器网络

这些神经网络通过编码器研究图表示，并尝试使用解码器重新构建输入图。此外，解码器和编码器通过瓶颈层连接在一起。图自编码器网络在链接预测方面表现出色，因为它们更好地处理类平衡器。

GNNs如何工作？

传统的深度学习主要关注文本和图像，这些是以像素网格或单词序列描述的结构化数据。

相反，图是非结构化的，可以采用任何大小或形状，并且可能包含除文本和图像以外的任何类型的数据。

GNNs可以通过消息传递来组织图形，使机器学习算法能够利用这些图形。消息传递将其邻居的信息嵌入到每个节点中。接下来，AI模型使用嵌入数据来检测模式并进行有意义的预测。

例如，在fraud detection系统中使用边缘嵌入来检测可疑交易，以便及时采取适当措施并停止欺诈活动。

GNNs利用稀疏数学运算，它们的模型通常只有2或3层。另一方面，其他网络和AI模型涉及到密集数学运算，并且在神经网络层方面有数百个。

GNN和CNN的区别

GNN和卷积神经网络（CNN）是两种不同的神经网络类型。

CNN是另一种用于帮助机器可视化对象或物体以及执行诸如图像识别、物体检测、图像分类等任务的神经网络类型。它们非常适用于常规的、平面的、2D和3D空间，但是GNN在曲线或非欧几里德空间中表现出色。

CNN被设计用于处理结构化信息或欧几里德空间。而GNN处理非欧几里德空间，其中节点无序且可变。

这意味着您可以将CNN应用于结构化信息，如文本或图像。但它不适用于无结构的数据，如天气、声音等。然而，GNN适用于无结构和结构化数据。它是CNN的广义形式。

此外，GNN帮助分析图形并预测有意义的信息，而CNN则不适用于分析图形。

这意味着GNN在解决图形问题方面比CNN更高效。

GNN的应用领域

应用GNN的组织和企业不断增加。它正在被多个行业和科学领域采用。以下是GNN的一些应用：

#1. 图分类

GNN用于图分类，将完整的图划分为多个类别。它类似于图像分类，只是目标转换为图领域。

图分类具有许多应用，例如在生物信息学中检查蛋白质是否属于酶，进行社交网络分析，对NLP中的文件进行分类等。

#2. 图可视化

图可视化是计算机科学和数学的一部分，涉及信息可视化和几何图论的交叉。它处理以可视方式表示图形，揭示数据中的异常和结构。通过图可视化，用户可以更好地理解图形。

#3. 图聚类

GNN用于图聚类，这是一个将数据聚类为图形的过程。您可以对给定的图形数据执行两种类型的聚类-顶点聚类和对象聚类。顶点聚类将图的节点组织或聚类成不同的密集连接的区域。

它们基于边距离或权重。后者将图形作为要聚类的对象或条目。它根据它们的相似性分组或聚类对象。

#4. 节点分类

GNN的一个重要应用是节点分类，通过检查节点的邻居节点的标签来确定节点的标签。在存在信息缺口的节点上添加新信息。

这种类型的任务中的模型需要半监督训练。在这里，给定图的一部分必须标记。

例如，如果您想确定组织网络中是否创建了机器人账户，您必须基于已知和未知机器人的图嵌入训练GNN模型，并对用户进行分类，判断其是否为正常用户或机器人。

#5. 链接或边预测

GNN（图神经网络）对于连接或边缘预测非常有帮助，可以找出给定图中各种对象或实体之间的关系。这也用于预测两个给定实体之间是否存在连接。

例如，在社交网络中可以使用链接预测来理解社交互动，并向用户推荐可能的朋友。它还用于执法机构预测和理解犯罪关系以及推荐系统推荐最佳产品、电影、音乐等。

#6。计算机视觉

GNNs在计算机视觉中应用于解决涉及人物对象交互、图像分类、场景图生成等各种问题。

例如，在场景图生成中可以使用GNNs，模型必须将给定图像解析为由对象和它们之间的语义关系组成的图。该过程可以识别和检测对象，并预测各种对象对之间的语义关系。

#7。文本分类

图可以表示一组单词，其中单词是节点，这些单词之间的连接是边。您可以在图或节点级别上执行文本分类。

使用GNNs进行文本分类有许多现实世界的用例，例如产品推荐、新分类以及根据某些症状检测疾病。

#8。分类和分段化点云

激光雷达（LiDAR）可以绘制各种三维点云的真实世界数据以完成三维分割过程。您可以使用GNNs表示点云，并轻松地对其进行分类和分段。

#9。表示人与对象的互动

图是表示链接和对象之间相互作用的一种很好的方式。因此，您可以将对象和人建模为节点，而它们之间的关系和互动作为边。

#10。自然语言处理（NLP）

在NLP中，文本被视为由LSTM（长短期记忆）或RNN（循环神经网络）描述的顺序数据。许多NLP任务广泛使用图，因为它们易于表示并具有自然和原始的特点。

GNNs用于解决许多NLP问题，例如在机器翻译中查找语义、文本分类、关系抽取、回答问题等。

#11。药物发现

发现治疗疾病的药物或疗法不仅是化学领域的挑战，也是社会的挑战。这个领域需要深入研究和数十亿美元的投入，以制定一种可以治愈疾病的药物。

具有人工智能的GNNs可以帮助缩短研究和筛选过程，以便更安全和更有效的药物可以更快地面向公众发布。

#12。表示分子相互作用

GNNs在粒子物理学中非常有帮助，涉及粒子间相互作用的规律。在这里可以使用图来理解粒子之间的关系和相互作用。GNNs可以帮助预测碰撞动力学的性质。

目前，大型强子对撞机（LHC）使用GNNs从各种实验中生成的图像中识别有趣的粒子。

#13. 交通预测

智能交通设备或系统涉及交通速度预测和道路密度作为主要特征。这些预测任务可以借助STGNNs或时空图神经网络完成。

在这里，交通网络将被视为一个时空图，其节点是位于道路上的传感器，边是节点对之间的距离。还要考虑每个节点都有一个平均交通速度作为输入。

#14. 其他应用

除上述应用外，GNNs还用于电子健康记录建模、对抗攻击预防、脑网络、社会影响预测、程序推理、程序验证、选举结果预测等等。

学习资源

以下是学习GNNs的一些最佳书籍。

#1. Graph Neural Networks 作者：Lingfei Wu等

这本书是关于GNNs的全面指南，讨论了图表示学习的目标。

预览	产品	评分	价格
	Graph Neural Networks: Foundations, Frontiers, and Applications	尚无评分	$74.92	Buy on Amazon

它还阐明了GNNs的当前发展、历史和未来，以及一些基本理论和方法。

#2. Graph Neural networks in Action

预览	产品	评分	价格
	Graph Neural Networks in Action	尚无评分	$59.99	Buy on Amazon

这是一个关于基于图的深度学习模型以及如何构建用于分子建模、推荐引擎等的先进GNNs的实践指南。

#3. Zhiyuan Liu的图神经网络简介

预览	产品	评分	价格
	Introduction to Graph Neural Networks (Synthesis Lectures on Artificial Intelligence and Machine…	目前无评分	$59.99	Buy on Amazon

学习GNN的基本概念，应用和模型。

#4. Younes Sadat-Nejad的图神经网络

这是Udemy上的一门GNN入门课程。它将帮助您学习图表示学习和GNN。

结论

随着人工智能的日益普及和图形数据的日益复杂和丰富，图神经网络（GNN）变得越来越有用。它们是进行预测的强大工具，并被应用于多个领域，从网络和计算机视觉到化学，物理和医疗保健。

您还可以探索机器学习中的regression vs. classification。

用5分钟解释图神经网络