Grafneuralnetværk

Grafneuralnetværk, ofte forkortet GNN'er, er en klasse af dybe neurale netværk designet til at behandle data, der er struktureret som grafer. En graf består af knudepunkter (også kaldet noder eller vertices) og kanter (også kaldet links eller edges), der forbinder disse knudepunkter. GNN'er udnytter denne grafstruktur til at lære repræsentationer af knudepunkter, kanter eller hele grafer.

Kernemekanismen i et GNN involverer en "message passing" eller "neighborhood aggregation" proces. Hver knude i grafen aggregerer information fra sine naboer. Denne aggregerede information blandes derefter med knudens egen eksisterende repræsentation for at opdatere den. Denne proces gentages iterativt over flere lag, hvilket gør det muligt for knuderne at indfange information fra et voksende nabolag i grafen. Gennem disse lag lærer GNN'er indlejringer (embeddings) for knudepunkter, der koder for deres egenskaber og deres relationer til andre knudepunkter i grafen.

GNN'er har vist sig effektive i en bred vifte af applikationer. De bruges til node-klassifikation, hvor målet er at forudsige kategorien af hver knude (f.eks. at identificere spam-brugere i et socialt netværk). De anvendes også til link-forudsigelse, hvor man forsøger at forudsige, om der eksisterer en kant mellem to knudepunkter (f.eks. anbefaling af venner). Desuden kan GNN'er bruges til grafklassifikation, hvor hele grafens egenskaber skal forudsiges (f.eks. at bestemme, om et molekyle er giftigt). Anvendelsesområder spænder over sociale netværk, molekylær kemi, anbefalingssystemer, trafikforudsigelse og meget mere.