Графы — это общий язык для описания и анализа сложных объектов с отношениями/взаимодействиями. Многие объекты реального мира можно описать как граф — компьютерные сети, пути распространения болезней, пищевые сети, сети частиц, подземные сети, социальные сети, экономические сети, молекулярные графы и многие другие системы реального мира.
Сложные системы реального мира имеют богатую реляционную структуру. Нейронные сети на основе графов пытаются использовать преимущества этой реляционной структуры для повышения производительности в многочисленных нижестоящих приложениях. По сути, граф состоит из двух основных объектов: узла и ребра. Узел представляет различные объекты в графе; например в графе социальной сети каждый человек является узлом, а ребро между ними описывает отношения между ними.
Зачем нам нужны новые инструменты для выполнения машинного обучения на графиках?
Сообщество машинного обучения добилось огромного прогресса в нейронных сетях. Несколько современных нейронных сетей, таких как word2vec, рекуррентные нейронные сети, сверточные нейронные сети, преобразователи, BERT и GPT3, продемонстрировали огромный прогресс в решении нескольких задач машинного обучения под наблюдением. Основным ограничением этих сетей является предположение: входные данные имеют структуру сетки в случае изображений и последовательную структуру для текста.
Графовые нейронные сети предоставляют новый набор инструментов для обработки сложных наборов данных реального мира, которые нельзя представить в виде сетки или последовательности. В отличие от изображений графы имеют произвольную и сложную топологическую структуру; эти структуры не имеют порядка узлов или контрольной точки; графики также являются динамическими и могут иметь мультимодальные функции. Графовые нейронные сети обеспечивают решение последующих задач на нескольких уровнях: уровне узла, уровне ребра, уровне сообщества или на уровне всего графа.
Примеры
Задачи машинного обучения на уровне узла: AlphaFold — предсказание трехмерной структуры белка
AlphaFold — это система искусственного интеллекта, разработанная DeepMind, которая предсказывает трехмерную структуру белка на основе его аминокислотной последовательности. Ключевая идея статьи AlphaFold состоит в том, чтобы представить аминокислоты в виде узла, а близость между аминокислотами в виде ребер, чтобы представить всю структуру в виде пространственного графа.
Задачи машинного обучения граничного уровня: рекомендательные системы
В рекомендательной системе пользователь взаимодействует с разными элементами. В этой сети элементами могут быть фильмы, которые пользователь смотрит, песня, которую он слушает, или продукт, который он купил. Пользователи и элементы графа могут быть описаны как узлы, тогда как взаимодействие между пользователями и элементами может представлять ребра графа.
Задачи машинного обучения на уровне подграфов: прогнозирование трафика с помощью расширенных графовых нейронных сетей.
Еще одна проблема, в которой применяются методы графовых нейронных сетей на уровне подграфа, - это сеть графа дорожной сети. Сегменты дорог могут представлять узлы графа, а свойство связности — ребро между ними. Несколько последующих приложений, таких как расчетное время прибытия, ограничения поворотов, дорожные заграждения и прогнозирование аварий, являются некоторыми реальными приложениями для такого графа.
Задачи на уровне графика: график фрагментов кода/обнаружения лекарств.
Одним из примеров уровня графа является проблема представления фрагмента кода в виде графа структуры зависимостей (PDG), где переменные, операторы и операторы являются узлами, связанными своими зависимостями (связями) в графе. Еще одним важным вариантом использования машинного обучения на уровне графа является задача обнаружения лекарств, где атомы являются узлами графа, а химические связи между ними составляют ребра графа. Нейронная сеть графа может использоваться в модели классификации графов для прогнозирования перспективных молекул из пула кандидатов.
Рекомендации
- Графовые нейронные сети: основы, границы и приложения
- Граф нейронные сети в действии
- Графическое контрастное обучение
- Подход глубокого обучения к открытию антибиотиков
- База данных структуры белка AlphaFold
Если вам понравилось, пожалуйста, поделитесь историей с остальным сообществом…
Там много мусора, поэтому, если вы думаете, что этот блог лучше, чем большинство альтернатив, пожалуйста, помогите ему выделиться из шума, поделившись им со своим сообществом.
P.S. Вы когда-нибудь пытались нажать кнопку хлопка на Medium более одного раза, чтобы посмотреть, что произойдет? ❤️
Нравится автор? Присоединяйтесь к сообществу Tech Insights
Давай будем друзьями! Вы можете найти меня в Твиттере. Пожалуйста, подпишитесь на меня, если вам нравятся статьи на похожие темы.