001 Введение в графовое машинное обучение и графовые нейронные сети

---

1. Вездесущие изображения

• Все данные со связанными отношениями могут быть представлены в виде графиков. Например: транспортная сеть, карта знаний, молекулярная структура, межличностная сеть, архитектура компьютерной сети, взаимосвязь представления генов и белков и т. д.

2. Как выполнить интеллектуальный анализ данных графа

• Для некоррелированных, независимых и одинаково распределенных данных алгоритмы CNN, RNN и Transformer в традиционном машинном обучении могут очень хорошо выполнять интеллектуальный анализ данных.
• Машинное обучение графов и нейронные сети графов — это методы, которые специализируются на обработке данных графов.
• Характеристики графических данных:

1. График меняется динамически;
2. Размер фигуры должен быть произвольным;
3. Характеристики графов обычно мультимодальны;
4. Графики не имеют фиксированного порядка узлов или опорных точек.

3. Графовая нейронная сеть

• Графовые нейронные сети могут обеспечить сквозное обучение представлению:

1. Входные данные: данные графика;
2. Вывод: новый граф, новый подграф, категории узлов, новые связи между узлами.

• Так называемое обучение представлению можно понимать как преобразование информации узла графовой нейронной сети в d-мерный вектор.
• Этот d-мерный вектор содержит собственную информацию об узле и информацию о его соединении.
• Этот процесс также называется внедрением графа.

4. Распространенные инструменты программирования для графического машинного обучения

1. ПиГ
2. ГрафГимн
3. СетьX
4. ДГЛ

5. Инструменты визуализации графиков

1. AntVВизуализация
2. EchartsВизуализация
3. графическая визуализация

6. Общие графовые базы данных

• Neo4j

7. Примеры применения графового машинного обучения

• Уровень узла: определение неизвестных типов узлов на основе известных типов узлов;
• Уровень связи: вывод неизвестных связей на основе известных связей (система рекомендаций, побочные эффекты комбинации препаратов);
• Уровень подграфа: кластеризация, обнаружение сообществ, система навигации;
• Уровень всего графа: классификация графов, генерация графов (генерация новой молекулы и прогнозирование ее физических и химических свойств, моделирование физической модели, прогнозирование пространственной структуры белков).

8. Заключение

• Во всех аспектах жизни, таких как промышленность, медицина и торговля, применение графиков есть и будет продолжать использоваться.
• Овладение умением обрабатывать картинки – единственный способ заглянуть в мир.