什么是图神经网络 （GNN）？
图神经网络 （GNN） 是一种神经网络架构和深度学习方法，可以帮助用户分析图，使他们能够根据图的节点和边描述的数据进行预测。
图形表示数据点（也称为节点）之间的关系。这些节点表示主体（例如人、物体或地点），边缘表示节点之间的关系。图形可以由 x 轴和 y 轴、原点、象限、线条、条形和其他元素组成。
通常，机器学习 （ML） 和深度学习算法使用简单的数据类型进行训练，这使得理解图形数据变得复杂且困难。此外，有些图更复杂，有无序的节点，而另一些图则没有固定的形式。
GNN 旨在处理图形数据，特别是结构和关系数据。它们很灵活，可以理解复杂的数据关系，这是传统的机器学习、深度学习和神经网络无法做到的。
在图形数据库中存储数据的不同科学、工业和研究分支都可以使用 GNN。组织可能会使用 GNN 进行图形和节点分类，以及节点、边缘和图形预测任务。GNN 擅长寻找数据点之间的模式和关系。
GNN是如何工作的？
图形是非结构化的，这意味着它们可以是任何大小或包含任何类型的数据，例如图像或文本。
GNN 使用称为消息传递的过程以 ML 算法可以理解的形式组织图形。在此过程中，每个节点都嵌入了有关节点位置及其相邻节点的数据。然后，人工智能 （AI） 模型可以找到模式并根据嵌入的数据进行预测。
GNN 由三个基本主层构建：输入层、隐藏层和输出层。输入层接收图形数据，该数据通常是矩阵或矩阵列表。隐藏层处理数据，输出层创建 GNN 的输出响应。
该过程还使用整流线性单元 （ReLU），这是通常用于深度学习模型和卷积神经网络 （CNN） 的激活函数。ReLU 函数为模型引入了非线性属性，并将提供的值解释为输入。
GNN 模型通常使用传统的神经网络训练方法进行训练，例如反向传播或迁移学习，但其结构是专门为使用图数据进行训练而构建的。
图神经网络的类型
GNN 通常分为以下类型：
图卷积网络 （GCN）。GCN 通过检查附近的节点来学习特征。它们由图卷积和线性层组成，并使用非线性激活函数。
递归图神经网络 （RGNN）。RGNN 学习具有多种关系的多关系图中的扩散模式。
空间图卷积网络。空间 GCN 定义了用于信息传递和分组操作的卷积层。它们将附近节点和边缘的数据聚合到特定节点，以更新其隐藏的嵌入。
谱图卷积网络。频谱 GCN 基于图形信号滤波器。他们根据称为图傅里叶变换的数学变换来定义数据的谱域。
递归神经网络 （RNN）。RNN 是一种使用顺序或时间序列数据的人工神经网络。RNN 的输出取决于先前的序列元素。
绘制自动编码器网络。这些学习使用编码器和解码器重建输入图的图形表示形式。
GNN 可用于各种任务，包括：
自然语言处理 （NLP）。GNN 可用于需要读取图形的 NLP 任务。这包括文本分类、语义、关系提取和问答等任务。
计算机视觉。GNN适用于图像分类等任务。
节点分类。节点分类预测每个节点的节点嵌入。
链路预测。这将检查图形中两个数据点之间的关系，以确定这两个点是否相连。
图形分类。图分类将图分类为组以识别它们。
图形可视化。此过程查找图形数据中存在的结构和异常，以帮助用户理解图形。
GNN与传统神经网络有何不同？
图神经网络与其他类型的神经网络相当，但更专门地处理图形式的数据。这是因为图数据 - 通常由非结构化数据和无序节点组成，甚至可能缺乏固定形式 - 在其他类似的神经网络中可能更难处理。
传统的神经网络被设计为以向量和序列的形式处理数据，而图神经网络可以以图的形式处理全局和局部数据，让 GNN 处理图数据库中的任务和查询。
CNN VS GNN
CNN 是 ML 模型和深度学习算法的一类，非常适合分析视觉数据集。CNN 使用线性代数的原理，特别是卷积运算，来提取特征并识别图像中的模式。CNN 主要用于处理图像，但也可以处理音频和其他信号数据。它们用于医疗保健、汽车、零售和社交媒体等领域，以及虚拟助手。
尽管 CNN 和 GNN 都是神经网络类型，并且 CNN 也可以分析视觉数据，但 CNN 处理图形数据在计算上具有挑战性。图拓扑通常过于随意和复杂，CNN 无法处理。
CNN 专门用于处理结构化数据，而 GNN 可以使用结构化和非结构化数据进行操作。GNN 可以识别同构图并同样出色地处理同构图，同构图是结构上可能等效的图，但边和顶点不同。相比之下，CNN 不能在翻转或旋转的图像上采取相同的行动，这使得 CNN 的一致性降低。
图神经网络的应用
图神经网络用于以下领域：
化学和蛋白质折叠。化学家可以使用GNN来研究分子和化合物的图结构。例如，由 Alphabet Inc. 的子公司 DeepMind 开发的 AlphaFold 是一个人工智能程序，它使用 GNN 对蛋白质的结构做出准确的预测。
社交网络。GNN 在社交媒体中用于开发基于社交和其他项目关系的推荐系统。
网络安全。计算机网络可以以图表的形式查看，这使得 GNN 非常适合检测单个节点上的异常情况。