2024-07-22|閱讀時間 ‧ 約 23 分鐘

【邁向圖神經網絡GNN】Part1:圖數據的基本元素與應用

raw-image

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

分享至
成為作者繼續創作的動力吧!
從 Google News 追蹤更多 vocus 的最新精選內容從 Google News 追蹤更多 vocus 的最新精選內容

作者的相關文章

Karen的沙龍 的其他內容

你可能也想看

發表回應

成為會員 後即可發表留言
© 2024 vocus All rights reserved.