GNN發展背景
傳統的深度學習模型如在計算機視覺（CV）和自然語言處理（NLP）領域中極為成功，主要是處理結構化數據如影像和文本。這些數據類型通常具有固定且規律的結構，例如影像是由有序的像素點組成。然而，在真實世界中，許多數據是非結構化的，如化合物結構（原子和分子）。這些數據雖然具有一定的規則性，但其靈活性和複雜性遠超過一般的圖像數據。因此，為了有效處理這類複雜的圖形數據，圖神經網絡（GNN）應運而生。
圖（Graph）的基本定義
圖是由以下三個基本元素構成的數據結構：
- 節點（Node）：也稱為端點，代表單個數據實體，如化合物中的原子或社交網絡中的個人。節點儲存有關其本身的屬性信息。
- 邊（Edge）：也稱為連結，描述節點間的關係，如化合物中的化學鍵或社交關係中的友誼連結。邊可以具有方向性，並可能帶有權重。
- 全局（Global）：描述整個圖的通用屬性，如化合物的總體性質或社交網絡的類型。在某些模型中，可能會有一個稱為主節點（master node）的特殊節點來代表整個圖。
GNN可解決的問題類型
- 圖層級任務（Graph-level Task）：處理整個圖的屬性，例如預測一種化合物是否具毒性或某社交網絡的屬性。
- 節點層級任務（Node-level Task）：針對單個節點的屬性進行分析，如確定社交網絡中某人的社交圈層。
- 邊層級任務（Edge-level Task）：分析節點之間的關聯性，這在許多場景解析中尤為重要，比如理解不同物件間在圖片中的相互作用。
