Модель графовой нейронной сети

The Graph Neural Network Model
Ah Chung Tsoi, Markus Hagenbuchner, Franco Scarselli, M. Gori, Gabriele Monfardini, Marco Gori
2008-12-10

GNNграфовая нейронная сетьграфы: ацикличные, цикличные, ориентированные, неориентированныеалгоритм контролируемого обученияотображение tau(G,n)
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.
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.

Модель графовой нейронной сети (GNN) для обработки данных, представленных в виде графов

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
Access Type
Author Information
Authors
Ah Chung Tsoi
Markus Hagenbuchner
Franco Scarselli
M. Gori
Gabriele Monfardini
Marco Gori
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%