Сверточные сети на графах

GCN обобщают хорошо зарекомендовавшие себя нейронные модели, такие как сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), для работы с графами. Основная идея заключается в определении параметризованных фильтров, которые могут применяться к структурам графов, подобно тому, как CNN используют фильтры на сетках изображений. Эти модели обычно принимают в качестве входных данных матрицу смежности графа и признаки узлов, производя выходные данные на уровне узлов или графов. Распространенное правило послойного распространения включает нелинейную функцию, применяемую к агрегированным признакам соседних узлов, часто с использованием методов нормализации для стабилизации обучения и повышения производительности.

Ключевым нововведением в GCN, особенно в модели, представленной Кипфом и Веллингом, является использование спектральных сверток на графах с упрощениями, которые приводят к более быстрому времени обучения и более высокой предсказательной точности. Этот подход можно интерпретировать как дифференцируемое обобщение алгоритма Вейсфейлера-Лемана, мощного алгоритма для тестирования изоморфизма графов. Параметризуя шаги агрегирования и нелинейной трансформации, GCN могут изучать значимые встраивания узлов, которые отражают локальные структуры графов.

Сила GCN особенно очевидна в задачах полуавтоматического обучения. Обучаясь на небольшом количестве размеченных узлов, GCN могут эффективно обучаться классифицировать узлы во всем графе, даже без явных признаков узлов. Эта возможность делает их чрезвычайно ценными для задач, где размеченные данные скудны, но сетевая структура богата. Способность генерировать гладкие встраивания, где расстояние отражает структурное сходство, еще больше повышает их полезность для различных последующих приложений.

Хотя GCN превосходно работают на графах произвольной структуры, важно отметить потенциальные компромиссы при применении к высокорегулярным графам, где специализированные модели могут работать лучше. Тем не менее, исследования в области графовых нейронных сетей быстро развиваются, и предпринимаются постоянные усилия по адаптации этих моделей для конкретных типов задач, таких как ориентированные или реляционные графы, а также для изучения новых применений изученных встраиваний графов. Гибкость и мощь GCN позиционируют их как важный инструмент для анализа сложных сетевых данных в различных областях.