Les réseaux de neurones graphiques expliqués en 5 minutes

Les réseaux de neurones graphiques (GNN) sont un concept moderne qui permet d'analyser des graphiques, de déduire des relations entre des objets et de prédire des données significatives à partir de ceux-ci.

La popularité de l'intelligence artificielle et machine learning a encore renforcé la demande de concepts tels que les GNN dans les entreprises et les consommateurs.

Ils sont utiles à plusieurs secteurs et utilisateurs pour effectuer des tâches telles que la classification d'images et de textes, le langage naturel. processing, recommandations de produits, analyse des médias sociaux, etc.

Maintenant, le problème est quand il s'agit de graphiques, les analyser et les représenter à l'aide de méthodes standard comme les CNN peut être difficile.

C'est là que les GNN entrent en jeu pour résoudre plusieurs problèmes de graphes.

Dans cet article, je parlerai de ce que sont les GNN, de leur fonctionnement, de leurs applications dans le monde réel, et plus encore.

Alors restez à l'écoute!

Introduction aux graphiques

Un graphique est essentielally une manière de représenter relatedonnées. Cela aide à visualiser la relation entre les objets, les personnes et les concepts. Les graphiques peuvent également aider à la formation modèles d'apprentissage automatique (ML) pour les tâches complexes. Des exemples de graphiques pourraient être les réseaux de médias sociaux, la modélisation de divers systèmes physiques, l'analyse des empreintes digitales, etc.

Dans le monde de l'informatique, les graphes sont une sorte de structure de données qui a deux composants - les arêtes et les nœuds (ou sommets). Les arêtes sont également appelées liens déterminant la relation entre différents nœuds, tandis que les nœuds sont des entités ou des objets, des lieux, etc.

Mathematically, un graphique peut être décrit par cette formule :

G = (V, E)

Ici, G représente un graphe, V représente un ensemble de sommets et E représente les arêtes.

Un graphique est de deux types :

• Réalisé: Un graphe orienté signifie la dépendance directionnelle entre deux nœuds. Ce type de graphe peut être unidirectionnel ou bidirectionnel.
• Non dirigé: Un graphe non orienté manque de dépendance directionnelle où les nœuds sont simplement liés mutually.

Pourquoi l'analyse d'un graphique est-elle difficile ?

L'analyse d'un graphique peut être un défi pour plusieurs raisons :

• Les graphes existent dans l'espace non euclidien, ce qui signifie que les données traitent de surfaces courbes au lieu de surfaces planes comme la 2D ou la 3D. Cela rend difficile l'interprétation du graphique et de ses données.
• Un graphe peut avoir ses nœuds par dizaines, centaines ou même millions, et le nombre d'arêtes peut varier pour chaque nœud. En raison de la grande taille et de son facteur de dimensionnalité, la complexité d'interprétation du graphique augmente.
• La taille graphique est dynamique sans forme figée. Deux graphiques peuvent sembler différents mais peuvent avoir des représentations similaires pour les matrices de contiguïté. De cette façon, l'analyse du graphique à l'aide d'outils traditionnels peut être inefficace et difficile. 

D’un autre côté, les graphiques peuvent s’agrandir ou se contracter avec le temps. Cela signifie également que si vous souhaitez représenter des données graphiques par une matrice, cela pourrait être inefficace et créer des erreurs.ate des métriques rares qui signifient le même graphique. De plus, ils ne sont pas invariants par permutation puisqu’ils pourraient ne pas donner le même résultat.

Tenant compte de tous ces problèmes, les GNN ont été introduits pour résoudre les problèmes de prédiction graphique avec une meilleure efficacité.

Que sont les réseaux de neurones graphiques ?

Un réseau de neurones graphiques (GNN) est un type de réseaux de neurones artificiels (ANN) utilisé pour processdonnées représentées sous forme de graphiques.

Les GNN sont construits autour des concepts de l'apprentissage en profondeur et théorie des graphes. Ces réseaux utilisent l'intelligence prédictive du deep learning, qui est un sous-ensemble du machine learning et de l'intelligence artificielle) afin d'analyser et process revendre.

Un GNN peut prendre les données d'entrée sous forme de graphique avec des nœuds, des arêtes et un contexte intégrés pour créerate la sortie sous forme de graphique dont les intégrations sont mises à jourated et transformé en préservant la symétrie du graphe d’entrée.

Considérez les GNN comme un graphe dont les données sont des nœuds et les connexions entre les données sont des arêtes. Vous pouvez appliquer directement les GNN aux graphiques et obtenir un moyen plus simple d'effectuer des tâches de prédiction au niveau des arêtes, des nœuds ou des graphiques.

Les GNN peuvent mieux combiner la structure du graphique et les informations sur les fonctionnalités pour apprendre les représentations graphiques grâce à l'agrégation des fonctionnalités et propagation.

Dans le monde réel, les GNN sont utilisés pour étudier et résoudre des problèmes complexes dans de multiples secteurs. Certains cas d'utilisation identifient des nœuds spécifiques dans un grand réseau, classent des modèles, visualisent, filtrent et analysent des graphiques, analysent des réseaux sociaux, prévoient des prix, etc.

Les GNN ont été introduits pour la première fois dans un article publié en 2009 par des chercheurs italiens. Deux chercheurs d'Amsterdam démontrent égalementated la puissance des GNN avec une autre variante appelée Graph Convolutional Network (GCN).

Types de GNN

Les réseaux de neurones sont de plusieurs types, et la plupart contiennent une forme ou une autre de CNN. Les types de GNN sont :

# 1. Réseaux de neurones à graphes récurrents (RGNN)

Les RGNN étudient les modèles de diffusion et peuvent gérer des graphes multi-relationnels avec des nœuds ayant plusieurs relations. Ces réseaux utilisent des régularisateurs pour améliorer le lissage et éviter la sur-paramétrage.

Ils utilisent une puissance de calcul limitée pour générerate de meilleurs résultats. Les RGNN sont utilisés dans la traduction automatique, la génération de texte, reconnaissance de la parole, marquage vidéo, image descriptgénération d'ions, synthèse de textes, etc.

# 1. Gated Réseaux de neurones graphiques (GGNN)

Ces réseaux sont encore meilleurs que les RGNN lorsqu'il s'agit d'effectuer des tâches impliquant des dépendances à long terme. Les GGNN améliorent les RGNN en ajoutant du temps gates, un bord et un nœud sur les dépendances à long terme. Ces réseaux sont utilisés pour mémoriser et oublier des informations dans divers domaines.ates.

# 2. Réseaux Convolutionnels Graphiques (GCN)

Les GCN sont comme les CNN traditionnels. Les GCN apprennent les caractéristiques d'un objet ou d'une entité en inspecting ses nœuds voisins. Les GNN s'agrègentate divers vecteurs de nœuds et transmettre le résultat à la couche dense. Ensuite, les réseaux effectuent la non-linéarité à l'aide de la fonction d'activation. Les GCN sont divisés en deux types : spatiaux et spectraux. Réseaux convolutionnels.

# 3. Graphique Auto-Encoder Réseaux

Ces réseaux de neurones étudient la représentation graphique à l'aide d'un encoder et essayez de reconstruire les graphiques d'entrée à l'aide d'un decoder. De plus, le decoder et encoder sont reliés par une couche de goulot d'étranglement. Graphique auto-frcoder les réseaux sont excellents pour la prédiction de liens car ils gèrent mieux les équilibreurs de classes.

Comment fonctionnent les GNN ?

L'apprentissage en profondeur traditionnel se concentre principalement sur le texte et les images, qui sont des données structurées décrites comme des grilles de pixels ou des séquences de mots.

Au contraire, les graphiques ne sont pas structurés, peuvent prendre n'importe quelle taille ou forme et peuvent contenir n'importe quel type de données en dehors du texte et des images.

Les GNN peuvent organiser des graphiques à l'aide de la transmission de messages, permettant aux algorithmes d'apprentissage automatique de levervieillir les graphiques. Le passage du message intègre les informations sur son voisin dans chaque nœud. Ensuite, les modèles d’IA utilisent les données intégrées pour détecter des modèles et faire des prédictions significatives. 

Par exemple, les encastrements de bord sont utilisés dans détection de fraude des systèmes pour détecter les transactions suspectes afinate les mesures doivent être prises à temps et mettre fin aux activités frauduleuses.

Les GNN utilisent des ma clairsemésthematics, et leurs modèles usually n'ont que 2 ou 3 couches. D’un autre côté, d’autres réseaux et modèles d’IA impliquent des mathematics et ont des couches de réseau neuronal par centaines.

Différence entre GNN et CNN

Les GNN et les réseaux de neurones convolutifs (CNN) sont deux types de réseaux de neurones mais sont toujours différents.

Les CNN sont un autre type de réseau de neurones utilisé pour aider les machines à visualiser des objets ou des choses et à effectuer des tâches telles que la reconnaissance d'images, la détection d'objets, la classification d'images, etc. Ils sont excellents pour les espaces réguliers, plats, 2D et 3D, mais les GNN briller sur des espaces courbes ou non euclidiens.

Les CNN sont conçus pour fonctionnerate groupe de neuronesally sur les informations structurées ou les espaces euclidiens. D'un autre côté, les GNN traitent des espaces non euclidiens où leurs nœuds ne sont pas ordonnés et peuvent varier.

Cela signifie que vous pouvez appliquer CNNS pour structurer des informations telles que du texte ou des images. Il ne s'applique pas aux données non structurées telles que la météo, le son, etc. Cependant, les GNN s'appliquent aux données non structurées et structurées. C'est une forme généralisée de CNN.

De plus, les GNN aident à analyser des graphiques et à prédire des informations significatives lorsquerevLes CNN ne conviennent pas à l'analyse de graphiques.

Cela signifie que les GNN sont plus efficaces pour résoudre les problèmes de graphe que les CNN.

Applications des GNN

Les organisations et les entreprises appliquant les GNN sont expanding. Il est adopté dans de multiples secteurs, des industries aux branches scientifiques. Voici quelques-unes des applications des GNN :

# 1. Classement graphique

Les GNN sont utilisés dans la classification des graphiques, dans laquelle un graphique complet est divisé en plusieurs categories. C'est similaire à la classification d'images, sauf que la cible se transforme en domaine graphique.

La classification graphique a de nombreuses applications, par exemple en bioinformatique pour vérifier si une protéine appartient à une enzyme, effectuer une analyse des réseaux sociaux, catela gorisation des fichiers en PNL, et plus encore.

# 2. Visualisation graphique

La visualisation graphique fait partie de l'informatique et de la mathematics, croisant la visualisation de l'information et la théorie des graphes géométriques. Il s'agit de représenter des graphiques visually, revtraiter les anomalies et les structures dans les données. Grâce à la visualisation graphique, les utilisateurs peuvent mieux comprendre le graphique.

# 3. Regroupement de graphes

Les GNN sont utilisés dans le clustering de graphiques, un process cela implique de regrouper les données sous forme de graphiques. Vous pouvez effectuer deux types de clustering sur des données graphiques données : vertex clustering et clustering d’objets. Vertex le clustering organise ou regroupe les nœuds du graphique en différents groupes de régions densément connectées.

Ils sont basés sur des distances de bord ou des poids. Ce dernier prend les graphes comme des objets ou des entrées à regrouper. Il regroupe ou regroupe des objets en fonction de leur similarité.

# 4. Classement des nœuds

L'une des applications importantes des GNN est la classification des nœuds pour déterminer l'étiquetage des nœuds en vérifiant les étiquettes des voisins des nœuds. Ici, de nouvelles informations sont ajoutées aux nœuds où il existe un manque d'informations.

Les modèles dans ce type de tâche nécessitent une formation semi-supervisée. Ici, seule une partie d'un graphe donné doit être étiquetée.

Par exemple, si vous souhaitez déterminer s'il existe des comptes de robots créésateDans votre réseau organisationnel, vous devez former un modèle GNN basé sur les intégrations graphiques de robots connus et inconnus et classer les utilisateurs, qu'il s'agisse d'utilisateurs normaux ou de robots.

# 5. Prédiction de lien ou de bord

Les GNN sont utiles pour lier ou prédire les contours afin de déterminer la relation entre divers objets ou entités dans un graphique donné. Ceci est également fait pour prédire s'il existe une connexion entre les deux entités données.

Par exemple, vous pouvez utiliser la prédiction de liens dans les réseaux sociaux pour comprendre les interactions sociales et suggérer aux utilisateurs d'éventuels amis. Il est également utilisé dans les forces de l'ordre pour prédire et comprendre les associations criminelles et les systèmes de recommandation afin de suggérer les meilleurs produits, films, musique, etc.

# 6. Vision par ordinateur

Les GNN sont appliqués en vision par ordinateur pour résoudre divers problèmes impliquant l'interaction homme-objet, la classification d'images, la génération de graphes de scène et bien d'autres.

Par exemple, vous pouvez utiliser des GNN dans la génération de graphiques de scène, où le modèle doit analyser une image donnée dans un graphique composé d'objets et de relations sémantiques entre eux. Ce process peut reconnaître et détecter des objets et forecast relations sémantiques entre diverses paires d'objets. 

# 7. Classification de texte

Les graphes peuvent représenter un groupe de mots, où les mots sont des nœuds et les connexions entre ces mots sont des arêtes. Vous pouvez effectuer une classification de texte au niveau d'un graphique ou d'un nœud.

L'utilisation des GNN pour la classification de texte présente de nombreux cas d'utilisation réels, comme une recommandation de produit, de nouveaux catela gorisation et la détection de la maladie à partir de certains symptômes.

# 8. Classer et segmenter les nuages ​​de points

Le LiDAR peut tracer des données du monde réel dans divers nuages ​​de points 3D pour compléter la segmentation 3D processes. Vous pouvez représenter les nuages ​​de points à l'aide de GNN, les classer et les segmenter facilement.

# 9. Représenter l'interaction homme-objet

Les graphiques sont un excellent moyen de représenter les interactions entre les liens et les objets. Ainsi, vous pouvez modéliser les objets et les humains comme des nœuds tandis que les relations et les interactions entre eux comme des bords.

# 10. Langage naturel processing (PNL)

En PNL, le texte est considéré comme une donnée séquentielle décrite par une LSTM (Long Short-Term Memory) ou RNN (Recurrent Réseau neuronal). De nombreuses tâches NLP utilisent fortement des graphiques car ils sont faciles à représenter et semblent naturels et bruts.

Les GNN sont utilisés pour résoudre de nombreux problèmes de PNL, tels que la recherche de sémantique dans la traduction automatique, la classification de texte, les relations extraction, classification de texte, réponse aux questions, et plus encore.

# 11. Découverte de médicament

Découvrir le médicament ou le remède contre une maladie n'est pas seulement un défi pour la chimie mais aussi pour la société. Ce domaine nécessite des recherches approfondies et des milliards de dollars et des années pour formulerate un médicament qui guérit une maladie.

Les GNN avec IA peuvent contribuer à raccourcir la recherche et le dépistage processes afin qu’un médicament plus sûr et plus efficace puisse être rendu public plus rapidement.

# 12. Représenter les interactions moléculaires

Les GNN sont utiles en physique des particules, qui traite des lois concernant les interactions des particules. Les graphiques peuvent être utilisés ici pour comprendre les relations et les interactions entre les particules. Les GNN peuvent aider à prédire les propriétés de la dynamique des collisions.

À l'heure actuelle, le Grand Hadron Le collisionneur (LHC) utilise les GNN pour identifier les particules intéressantes à partir du générateur d'imagesated dans diverses expériences. 

# 13. Prédiction du trafic

Un dispositif ou un système de transport intelligent implique la prévision de la vitesse du trafic et la densité des routes comme principales caractéristiques. Ces tâches de prédiction peuvent être effectuées à l'aide de STGNN ou de réseaux neuronaux de graphes spatio-temporels.

Ici, le réseau de trafic sera considéré comme un graphe spatio-temporel avec des nœuds car les capteurs positionnés sur les routes et les bords sont les distances entre les paires de nœuds. Considérez également que chaque nœud aura une vitesse de trafic moyenne comme entrée.

# 14. Autres applications

En dehors de ce qui précède, les GNN sont utilisés dans la modélisation des dossiers de santé électroniques, les attaques contradictoires prevention, réseaux cérébraux, prédiction de l'influence sociale, programme, raisonnement, vérification de programme, prédiction des résultats des élections et bien d'autres.

Ressources d'apprentissage

Vous trouverez ci-dessous quelques-uns des meilleurs livres pour en savoir plus sur les GNN.

# 1. Réseaux de neurones graphiques par Lingfei Wu et d'autres

Ce livre est un guide complet des GNN qui traite des objectifs de l'apprentissage de la représentation graphique.

PrevIEW	Produit	Note	Prix
	Réseaux de neurones graphiques : fondements, frontières et applications		$73.80	Acheter sur Amazon

Cela explique égalementates les développements actuels, l'histoire et l'avenir des GNN ainsi que certaines de ses théories et méthodes de base.

# 2. Graph Réseaux de neurones en action

PrevIEW	Produit	Note	Prix
	Réseaux de neurones graphiques en action	Aucune évaluation pour le moment	$59.99	Acheter sur Amazon

Il s'agit d'un guide pratique sur les modèles d'apprentissage en profondeur basés sur des graphiques et sur la manière de créer des GNN avancés pour la modélisation moléculaire, les moteurs de recommandation, etc.

# 3. Introduction aux réseaux de neurones graphiques par Zhiyuan Liu

PrevIEW	Produit	Note	Prix
	Introduction aux réseaux de neurones de graphes (conférences de synthèse sur l'intelligence artificielle et la machine…		$56.05	Acheter sur Amazon

Apprenez les concepts de base, les applications et les modèles de GNN.   

# 4. Graph Neural Network par Younes Sadat-Nejad

Il s'agit d'un cours d'introduction aux GNN disponible sur Udemy. Il vous aidera à apprendre l'apprentissage de la représentation graphique et GNN. 

Conclusion

Avec la popularité croissante de l'IA et les graphiques de plus en plus sophistiquésatePlus riches en données, les réseaux de neurones graphiques (GNN) apparaissent comme plus utiles. Ils constituent un outil puissant pour faire des prédictions et sont appliqués dans de nombreux secteurs, des réseaux et de la vision par ordinateur à la chimie, la physique et la santé. 

Vous pouvez également explorer régression vs classification dans l'apprentissage automatique.