【邁向圖神經網絡GNN】Part1:圖數據的基本元素與應用

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

1. 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。
2. 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。
3. 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。

這篇介紹旨在為讀者提供對GNN和圖數據結構的基本理解。在未來的系列中，我們將深入探討GNN的技術細節和更多實際應用案例。敬請期待！

參考資料

• https://distill.pub/2021/gnn-intro/
• https://www.youtube.com/watch?v=Obbr5TdD3Bo