Graph Convolutional Networks

GCN menggeneralisasi model saraf yang sudah mapan, seperti Convolutional Neural Networks (CNNs) dan Recurrent Neural Networks (RNNs), untuk beroperasi pada graf. Ide intinya adalah mendefinisikan filter terparameter yang dapat diterapkan di seluruh struktur graf, mirip dengan bagaimana CNN menggunakan filter pada grid gambar. Model-model ini biasanya mengambil matriks ketetanggaan graf dan fitur node sebagai input, menghasilkan output tingkat node atau tingkat graf. Aturan propagasi antar-lapisan yang umum melibatkan fungsi non-linear yang diterapkan pada fitur agregat dari node tetangga, sering kali menggabungkan teknik normalisasi untuk menstabilkan pembelajaran dan meningkatkan kinerja.

Inovasi utama dalam GCN, terutama model yang diperkenalkan oleh Kipf dan Welling, adalah penggunaan konvolusi graf spektral dengan penyederhanaan yang mengarah pada waktu pelatihan yang lebih cepat dan akurasi prediksi yang lebih tinggi. Pendekatan ini dapat diinterpretasikan sebagai generalisasi yang dapat didiferensiasi dari algoritma Weisfeiler-Lehman, sebuah algoritma yang kuat untuk pengujian isomorfisme graf. Dengan memparameterisasi langkah-langkah agregasi dan transformasi non-linear, GCN dapat mempelajari penyematan node yang bermakna yang menangkap struktur graf lokal.

Kekuatan GCN sangat terlihat dalam tugas pembelajaran semi-terawasi. Dengan melatih pada sejumlah kecil node berlabel, GCN dapat secara efektif belajar mengklasifikasikan node di seluruh graf, bahkan tanpa fitur node eksplisit. Kemampuan ini membuat mereka sangat berharga untuk tugas-tugas di mana data berlabel langka tetapi struktur jaringan kaya. Kemampuan untuk menghasilkan penyematan yang mulus di mana jarak mencerminkan kesamaan struktural semakin meningkatkan kegunaannya untuk berbagai aplikasi hilir.

Meskipun GCN unggul pada graf yang terstruktur secara arbitrer, penting untuk dicatat potensi trade-off ketika diterapkan pada graf yang sangat teratur, di mana model khusus mungkin berkinerja lebih baik. Namun demikian, penelitian dalam jaringan saraf graf berkembang pesat, dengan upaya berkelanjutan untuk menyesuaikan model-model ini untuk jenis masalah tertentu, seperti graf terarah atau relasional, dan untuk mengeksplorasi aplikasi baru untuk penyematan graf yang dipelajari. Fleksibilitas dan kekuatan GCN memposisikan mereka sebagai alat penting untuk menganalisis data jaringan yang kompleks di berbagai domain.