Модель графовой нейронной сети
The Graph Neural Network Model
2008-12-10
SCID: 54.1/y9zgvu3j
Discuss with AI
GNNграфовая нейронная сетьграфы: ацикличные, цикличные, ориентированные, неориентированныеалгоритм контролируемого обученияотображение tau(G,n)
Figures from the paper
Abstract (AI)
Во многих областях науки и техники взаимосвязи между данными, например в компьютерном зрении, молекулярной химии, молекулярной биологии, распознавании образов и добыче данных, могут быть представлены в виде графов. В этой статье мы предлагаем новую модель нейронной сети, называемую моделью графовой нейронной сети (GNN), которая расширяет существующие методы нейронных сетей для обработки данных, представленных в графовых доменах. Эта GNN-модель, которая может непосредственно обрабатывать большинство практически полезных типов графов, например ациклические, циклические, ориентированные и неориентированные, реализует функцию τ(G, n) ∈ ℝ^m, которая отображает граф G и один из его узлов n в m-мерное евклидово пространство. Выведен алгоритм обучения с учителем для оценки параметров предлагаемой GNN-модели. Рассматривается также вычислительная стоимость предлагаемого алгоритма. Приведены некоторые экспериментальные результаты, подтверждающие предлагаемый алгоритм обучения и демонстрирующие его способности к обобщению.
Key Findings
1
Выведен алгоритм обучения с учителем для оценки параметров модели GNN.
2
Экспериментальные результаты подтверждают работоспособность алгоритма обучения и демонстрируют обобщающие способности модели GNN.
3
GNN реализует функцию tau(G, n), отображающую граф G и узел n в m-мерное евклидово пространство IR(m).
4
Представлена модель графовой нейронной сети (GNN), расширяющая нейронные сети для обработки данных в виде графов.
5
Модель GNN может напрямую обрабатывать различные практические типы графов: ациклические, циклические, ориентированные и неориентированные.
6
В работе проанализирована вычислительная стоимость предложенного алгоритма обучения.
Research Object
Модель графовой нейронной сети (GNN) для обработки данных, представленных в виде графов
Research Subject
Функция отображения tau(G,n) в IR^m, разработанный супервизируемый алгоритм обучения для оценки параметров, вычислительная стоимость и обобщающая способность модели на разных типах графов (ациклических, циклических, направленных, ненаправленных)
Publication Details
Publication Date
2008-12-10
Journal
Publisher
ISSN
Cited by
9582
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Работы, цитирующие эту статью20
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Всеобъемлющий обзор графовых нейронных сетей2020
Нелокальные нейронные сети2018
Графовые нейронные сети: обзор методов и приложений2020
Динамическая графовая сверточная нейронная сеть для обучения на облаках точек2019
Обзор сверточных нейронных сетей: анализ, применения и перспективы2021
Графовые сверточные нейронные сети для рекомендательных систем веб‑масштаба2018
Графовая нейронная сеть с механизмом внимания для неоднородных графов2019
Последние достижения и применения машинного обучения в физике и материаловедении твёрдого тела2019
О возможностях и рисках фундаментальных моделей2021
Графы знаний2021
Сверточные графовые сети: всесторонний обзор2019
Глубокое обучение на графах: обзор2020
Графовые нейронные сети: обзор методов и приложений2018
Сопоставление изображений от ручных признаков к глубоким: обзор2020
Взаимодействующие сети для обучения представлениям об объектах, отношениях и физике2016
Глубокое обучение для обнаружения аномалий во временных рядах: обзор2024
Прогнозирование транспортных потоков с помощью пространственно-временной графовой нейронной сети2020
Информированный физикой машинный интеллект: всесторонний обзор приложений в обнаружении аномалий и мониторинге состояния2024
Методы машинного обучения для решения задач, связанных с малыми объемами данных в молекулярной науке2023