ສາລະບານ[ເຊື່ອງ][ສະແດງ]
ເຕັກນິກການຮຽນຮູ້ເລິກທີ່ເອີ້ນວ່າ "ເຄືອຂ່າຍ neural ເສັ້ນສະແດງ" (GNNs) ດໍາເນີນການຢູ່ໃນໂດເມນກຣາຟ. ບໍ່ດົນມານີ້, ເຄືອຂ່າຍເຫຼົ່ານີ້ໄດ້ພົບເຫັນການນໍາໃຊ້ໃນຫຼາຍໆດ້ານ, ລວມທັງວິໄສທັດຄອມພິວເຕີ, ລະບົບຄໍາແນະນໍາ, ແລະການເພີ່ມປະສິດທິພາບປະສົມປະສານ, ເພື່ອບອກຊື່ຈໍານວນຫນຶ່ງ.
ນອກຈາກນັ້ນ, ເຄືອຂ່າຍເຫຼົ່ານີ້ສາມາດຖືກນໍາໃຊ້ເພື່ອເປັນຕົວແທນຂອງລະບົບສະລັບສັບຊ້ອນ, ລວມທັງເຄືອຂ່າຍສັງຄົມ, ເຄືອຂ່າຍປະຕິສໍາພັນຂອງທາດໂປຼຕີນ, ເສັ້ນສະແດງຄວາມຮູ້, ແລະອື່ນໆໃນຫຼາຍໆດ້ານຂອງການສຶກສາ.
ພື້ນທີ່ທີ່ບໍ່ແມ່ນ euclidean ແມ່ນບ່ອນທີ່ຂໍ້ມູນກາຟດໍາເນີນການ, ກົງກັນຂ້າມກັບຂໍ້ມູນປະເພດອື່ນໆເຊັ່ນ: ຮູບພາບ. ເພື່ອຈັດປະເພດ nodes, ຄາດຄະເນການເຊື່ອມຕໍ່, ແລະຂໍ້ມູນກຸ່ມ, ການວິເຄາະກາຟຖືກນໍາໃຊ້.
ໃນບົດຄວາມນີ້, ພວກເຮົາຈະກວດເບິ່ງ Graph Neural Network ໃນລາຍລະອຽດ, ປະເພດຂອງມັນ, ເຊັ່ນດຽວກັນກັບສະຫນອງຕົວຢ່າງການປະຕິບັດການນໍາໃຊ້ PyTorch.
ດັ່ງນັ້ນ, Graph ແມ່ນຫຍັງ?
ກຣາຟແມ່ນປະເພດຂອງໂຄງສ້າງຂໍ້ມູນທີ່ປະກອບດ້ວຍ nodes ແລະ vertices. ການເຊື່ອມຕໍ່ລະຫວ່າງ nodes ຕ່າງໆແມ່ນຖືກກໍານົດໂດຍ vertices. ຖ້າທິດທາງແມ່ນຊີ້ໃຫ້ເຫັນຢູ່ໃນ nodes, ເສັ້ນສະແດງແມ່ນກ່າວວ່າຈະມຸ້ງ; ຖ້າບໍ່ດັ່ງນັ້ນ, ມັນຖືກປະຕິເສດ.
ຄໍາຮ້ອງສະຫມັກທີ່ດີຂອງກາຟແມ່ນການສ້າງແບບຈໍາລອງຄວາມສໍາພັນລະຫວ່າງບຸກຄົນຕ່າງໆໃນ a ເຄືອຂ່າຍສັງຄົມ. ເມື່ອຈັດການກັບສະຖານະການທີ່ສັບສົນ, ເຊັ່ນ: ການເຊື່ອມໂຍງແລະການແລກປ່ຽນ, ເສັ້ນສະແດງແມ່ນມີປະໂຫຍດຫຼາຍ.
ເຂົາເຈົ້າໄດ້ຖືກຈ້າງໂດຍລະບົບຄໍາແນະນໍາ, ການວິເຄາະ semantic, ການວິເຄາະເຄືອຂ່າຍສັງຄົມ, ແລະການຮັບຮູ້ຮູບແບບ
. ການສ້າງໂຊລູຊັ່ນທີ່ອີງໃສ່ກາຟແມ່ນພາກສະຫນາມໃຫມ່ທີ່ສະເຫນີຄວາມເຂົ້າໃຈຢ່າງເລິກເຊິ່ງກ່ຽວກັບຂໍ້ມູນທີ່ມີຄວາມຊັບຊ້ອນແລະການເຊື່ອມໂຍງກັນ.
Graph Neural Network
ເຄືອຂ່າຍ neural ກຣາບແມ່ນປະເພດເຄືອຂ່າຍ neural ພິເສດທີ່ສາມາດດໍາເນີນການໃນຮູບແບບຂໍ້ມູນເສັ້ນສະແດງ. ການຝັງ Graph ແລະເຄືອຂ່າຍ neural convolutional (CNNs) ມີຜົນກະທົບຢ່າງຫຼວງຫຼາຍຕໍ່ພວກມັນ.
Graph Neural Networks ແມ່ນໃຊ້ໃນໜ້າວຽກທີ່ລວມເຖິງຂໍ້ຄາດຄະເນ, ຂອບ, ແລະກຣາຟ.
- CNN ໄດ້ຖືກນໍາໃຊ້ເພື່ອຈັດປະເພດຮູບພາບ. ເຊັ່ນດຽວກັນ, ເພື່ອຄາດຄະເນຫ້ອງຮຽນ, GNNs ຖືກນໍາໃຊ້ກັບຕາຂ່າຍໄຟຟ້າ pixels ທີ່ເປັນຕົວແທນຂອງໂຄງສ້າງກາຟ.
- ການຈັດປະເພດຂໍ້ຄວາມໂດຍໃຊ້ເຄືອຂ່າຍ neural recurrence. GNNs ຍັງຖືກໃຊ້ກັບສະຖາປັດຕະຍະກໍາກາຟທີ່ແຕ່ລະຄໍາໃນປະໂຫຍກແມ່ນ node.
ເພື່ອຄາດຄະເນຂໍ້, ຂອບ, ຫຼືກາຟທີ່ສົມບູນ, ເຄືອຂ່າຍ neural ຖືກນໍາໃຊ້ເພື່ອສ້າງ GNNs. ສໍາລັບຕົວຢ່າງ, ການຄາດຄະເນໃນລະດັບ node ສາມາດແກ້ໄຂບັນຫາເຊັ່ນ: ການກວດສອບ spam.
ການຄາດຄະເນການເຊື່ອມຕໍ່ແມ່ນກໍລະນີທົ່ວໄປໃນລະບົບຄໍາແນະນໍາແລະອາດຈະເປັນຕົວຢ່າງຂອງບັນຫາການຄາດຄະເນທີ່ສະຫລາດ.
Graph Neural Network ປະເພດ
ປະເພດເຄືອຂ່າຍ neural ຈໍານວນຫລາຍມີຢູ່, ແລະເຄືອຂ່າຍ Neural Convolutional ແມ່ນມີຢູ່ໃນສ່ວນໃຫຍ່ຂອງພວກເຂົາ. ພວກເຮົາຈະຮຽນຮູ້ກ່ຽວກັບ GNNs ທີ່ມີຊື່ສຽງຫຼາຍທີ່ສຸດໃນສ່ວນນີ້.
Graph Convolutional Networks (GCNs)
ພວກເຂົາເຈົ້າແມ່ນທຽບກັບ CNNs ຄລາສສິກ. ມັນໄດ້ຮັບຄຸນລັກສະນະໂດຍການເບິ່ງຂໍ້ທີ່ໃກ້ຄຽງ. ຟັງຊັນການເປີດໃຊ້ງານແມ່ນໃຊ້ໂດຍ GNNs ເພື່ອເພີ່ມ non-linearity ຫຼັງຈາກການລວບລວມ node vectors ແລະສົ່ງຜົນຜະລິດໄປສູ່ຊັ້ນຫນາແຫນ້ນ.
ມັນປະກອບດ້ວຍ Graph convolution, ຊັ້ນເສັ້ນ, ແລະຟັງຊັນການເປີດໃຊ້ງານທີ່ບໍ່ແມ່ນການຮຽນຮູ້, ໂດຍເນື້ອແທ້ແລ້ວ. GCNs ມີຢູ່ໃນສອງແນວພັນຕົ້ນຕໍ: Spectral Convolutional Networks ແລະ Spatial Convolutional Networks.
Graph ເຄືອຂ່າຍຕົວເຂົ້າລະຫັດອັດຕະໂນມັດ
ມັນໃຊ້ຕົວເຂົ້າລະຫັດເພື່ອຮຽນຮູ້ວິທີສະແດງກຣາບ ແລະຕົວຖອດລະຫັດເພື່ອພະຍາຍາມສ້າງກຣາຟການປ້ອນຂໍ້ມູນຄືນໃໝ່. ມີຊັ້ນຄໍຂວດເຊື່ອມຕໍ່ຕົວເຂົ້າລະຫັດແລະຕົວຖອດລະຫັດ.
ນັບຕັ້ງແຕ່ຕົວເຂົ້າລະຫັດອັດຕະໂນມັດເຮັດວຽກທີ່ດີເລີດຂອງການຈັດການຄວາມສົມດຸນຂອງຊັ້ນຮຽນ, ພວກມັນຖືກນໍາໃຊ້ເລື້ອຍໆໃນການຄາດຄະເນການເຊື່ອມຕໍ່.
Recurrent Graph Neural Networks (RGNNs)
ໃນເຄືອຂ່າຍຫຼາຍການພົວພັນ, ບ່ອນທີ່ມີຂໍ້ດຽວມີການພົວພັນຈໍານວນຫລາຍ, ມັນຮຽນຮູ້ຮູບແບບການແຜ່ກະຈາຍທີ່ດີທີ່ສຸດແລະສາມາດຈັດການກາຟໄດ້. ເພື່ອເພີ່ມຄວາມລຽບແລະຫຼຸດຜ່ອນການເກີນຕົວກໍານົດການ, ເຄື່ອງປົກກະຕິຖືກນໍາໃຊ້ໃນຮູບແບບຂອງເຄືອຂ່າຍ neural ເສັ້ນສະແດງນີ້.
ເພື່ອໃຫ້ໄດ້ຮັບຜົນໄດ້ຮັບທີ່ດີກວ່າ, RGNNs ຕ້ອງການພະລັງງານການປຸງແຕ່ງຫນ້ອຍລົງ. ພວກມັນຖືກນໍາໃຊ້ສໍາລັບການຜະລິດຂໍ້ຄວາມ, ການຮັບຮູ້ສຽງເວົ້າ, ການແປພາສາເຄື່ອງຈັກ, ຄໍາອະທິບາຍຮູບພາບ, ການຕິດແທໍກວິດີໂອແລະການສະຫຼຸບຂໍ້ຄວາມ.
Gated Neural Graph Networks (GGNNs)
ເມື່ອເວົ້າເຖິງວຽກງານທີ່ເພິ່ງພາອາໄສໃນໄລຍະຍາວ, ພວກມັນປະຕິບັດໄດ້ດີກວ່າ RGNNs. ໂດຍການລວມເອົາ node, edge, ແລະ temporal gates on long-term dependencies, gated graph neural networks enhance recurrent graph neural networks.
ປະຕູເຮັດວຽກຄ້າຍຄືກັນກັບ Gated Recurrent Units (GRUs) ທີ່ພວກມັນຖືກນໍາໃຊ້ເພື່ອຈື່ຈໍາແລະລືມຂໍ້ມູນໃນຂັ້ນຕອນຕ່າງໆ.
ການປະຕິບັດ Graph Neural Network ໂດຍໃຊ້ Pytoch
ບັນຫາສະເພາະທີ່ພວກເຮົາຈະສຸມໃສ່ແມ່ນບັນຫາການຈັດປະເພດ node ທົ່ວໄປ. ພວກເຮົາມີເຄືອຂ່າຍສັງຄົມທີ່ມີຂະຫນາດທີ່ເອີ້ນວ່າ musae-github, ເຊິ່ງໄດ້ຖືກລວບລວມຈາກ API ເປີດ, ສໍາລັບນັກພັດທະນາ GitHub.
Edges ສະແດງໃຫ້ເຫັນຄວາມສໍາພັນຂອງຜູ້ຕິດຕາມເຊິ່ງກັນແລະກັນລະຫວ່າງ nodes, ເຊິ່ງເປັນຕົວແທນຂອງນັກພັດທະນາ (ຜູ້ໃຊ້ເວທີ) ຜູ້ທີ່ໄດ້ຕິດດາວຢູ່ໃນຢ່າງຫນ້ອຍ 10 repositories (ສັງເກດວ່າຄໍາທີ່ເຊິ່ງກັນແລະກັນຊີ້ໃຫ້ເຫັນເຖິງການພົວພັນທີ່ບໍ່ມີທິດທາງ).
ອີງຕາມສະຖານທີ່ຂອງ node, repositories ຕິດດາວ, ນາຍຈ້າງ, ແລະທີ່ຢູ່ອີເມວ, ຄຸນລັກສະນະຂອງ node ຈະຖືກດຶງຂໍ້ມູນ. ການຄາດເດົາວ່າຜູ້ໃຊ້ GitHub ເປັນຜູ້ພັດທະນາເວັບຫຼື a ຜູ້ພັດທະນາການຮຽນຮູ້ເຄື່ອງຈັກ ແມ່ນວຽກງານຂອງພວກເຮົາ.
ຫົວຂໍ້ວຽກຂອງຜູ້ໃຊ້ແຕ່ລະຄົນເຮັດຫນ້າທີ່ເປັນພື້ນຖານສໍາລັບຫນ້າທີ່ກໍານົດເປົ້າຫມາຍນີ້.
ການຕິດຕັ້ງ PyTorch
ເພື່ອເລີ່ມຕົ້ນ, ກ່ອນອື່ນ ໝົດ ພວກເຮົາຕ້ອງຕິດຕັ້ງ PyTorch. ທ່ານສາມາດ configure ມັນອີງຕາມເຄື່ອງຂອງທ່ານຈາກ ທີ່ນີ້. ນີ້ແມ່ນຂອງຂ້ອຍ:
ການນໍາເຂົ້າໂມດູນ
ໃນປັດຈຸບັນ, ພວກເຮົານໍາເຂົ້າໂມດູນທີ່ຈໍາເປັນ
ການນໍາເຂົ້າແລະສໍາຫຼວດຂໍ້ມູນ
ຂັ້ນຕອນຕໍ່ໄປນີ້ແມ່ນເພື່ອອ່ານຂໍ້ມູນແລະວາງແຖວຫ້າແຖວທໍາອິດແລະຫ້າແຖວສຸດທ້າຍຈາກໄຟລ໌ປ້າຍຊື່.
ພຽງແຕ່ສອງໃນສີ່ຖັນ - id ຂອງ node (ເຊັ່ນ: ຜູ້ໃຊ້) ແລະ ml_target, ເຊິ່ງແມ່ນ 1 ຖ້າຜູ້ໃຊ້ເປັນສະມາຊິກຂອງຊຸມຊົນການຮຽນຮູ້ເຄື່ອງຈັກແລະ 0 ຖ້າບໍ່ດັ່ງນັ້ນ - ແມ່ນກ່ຽວຂ້ອງກັບພວກເຮົາໃນສະຖານະການນີ້.
ເນື່ອງຈາກມີພຽງແຕ່ສອງຫ້ອງຮຽນ, ດຽວນີ້ພວກເຮົາສາມາດແນ່ໃຈວ່າວຽກງານຂອງພວກເຮົາແມ່ນບັນຫາການຈັດປະເພດຄູ່.
ເປັນຜົນມາຈາກຄວາມບໍ່ສົມດຸນຂອງຊັ້ນຮຽນທີ່ສໍາຄັນ, ຜູ້ຈັດປະເພດສາມາດສົມມຸດວ່າຊັ້ນໃດເປັນສ່ວນໃຫຍ່ແທນທີ່ຈະປະເມີນຊັ້ນຮຽນທີ່ບໍ່ມີຕົວແທນ, ເຮັດໃຫ້ຄວາມສົມດຸນຂອງຊັ້ນຮຽນເປັນປັດໃຈສໍາຄັນອີກອັນຫນຶ່ງທີ່ຕ້ອງພິຈາລະນາ.
ການວາງແຜນ histogram (ການແຈກຢາຍຄວາມຖີ່) ສະແດງໃຫ້ເຫັນຄວາມບໍ່ສົມດຸນບາງຢ່າງເພາະວ່າມີຫ້ອງຮຽນຫນ້ອຍຈາກການຮຽນຮູ້ເຄື່ອງຈັກ (label = 1) ກ່ວາຫ້ອງຮຽນອື່ນໆ.
ການເຂົ້າລະຫັດຄຸນສົມບັດ
ຄຸນລັກສະນະຂອງ nodes ແຈ້ງໃຫ້ພວກເຮົາຮູ້ກ່ຽວກັບລັກສະນະທີ່ກ່ຽວຂ້ອງກັບແຕ່ລະ node. ໂດຍການປະຕິບັດວິທີການຂອງພວກເຮົາໃນການເຂົ້າລະຫັດຂໍ້ມູນ, ພວກເຮົາສາມາດເຂົ້າລະຫັດລັກສະນະເຫຼົ່ານັ້ນໄດ້ທັນທີ.
ພວກເຮົາຕ້ອງການທີ່ຈະນໍາໃຊ້ວິທີການນີ້ເພື່ອ encapsulate ພາກສ່ວນຂະຫນາດນ້ອຍຂອງເຄືອຂ່າຍ (ເວົ້າວ່າ, 60 nodes) ສໍາລັບການສະແດງ. ລະຫັດແມ່ນລະບຸໄວ້ທີ່ນີ້.
ການອອກແບບແລະການສະແດງກາຟ
ພວກເຮົາຈະໃຊ້ໄຟເລຂາຄະນິດ. ຂໍ້ມູນເພື່ອສ້າງເສັ້ນສະແດງຂອງພວກເຮົາ.
ເພື່ອສ້າງແບບຈໍາລອງກຣາຟດຽວທີ່ມີຄຸນສົມບັດທີ່ແຕກຕ່າງກັນ (ທາງເລືອກ), ຂໍ້ມູນທີ່ເປັນວັດຖຸ Python ງ່າຍດາຍແມ່ນຖືກນໍາໃຊ້. ໂດຍການນໍາໃຊ້ຫ້ອງຮຽນນີ້ແລະຄຸນລັກສະນະຕໍ່ໄປນີ້ - ທັງຫມົດແມ່ນ torch tensors - ພວກເຮົາຈະສ້າງວັດຖຸກາຟຂອງພວກເຮົາ.
ຮູບແບບຂອງຄ່າ x, ເຊິ່ງຈະຖືກຈັດສັນໃຫ້ກັບຄຸນສົມບັດຂອງໂຫນດທີ່ຖືກເຂົ້າລະຫັດ, ແມ່ນ [ຈໍານວນໂຫນດ, ຈໍານວນຄຸນສົມບັດ].
ຮູບຮ່າງຂອງ y ແມ່ນ [ຈໍານວນຂອງ nodes], ແລະມັນຈະຖືກນໍາໃຊ້ກັບປ້າຍ node.
edge index: ເພື່ອອະທິບາຍກາຟທີ່ບໍ່ມີທິດທາງ, ພວກເຮົາຈໍາເປັນຕ້ອງໄດ້ຂະຫຍາຍຕົວຊີ້ວັດຂອບຕົ້ນສະບັບເພື່ອອະນຸຍາດໃຫ້ມີຢູ່ຂອງສອງຂອບທີ່ມີທິດທາງທີ່ແຕກຕ່າງກັນທີ່ເຊື່ອມຕໍ່ທັງສອງ nodes ດຽວກັນແຕ່ຊີ້ໃຫ້ເຫັນໃນທິດທາງກົງກັນຂ້າມ.
ຄູ່ຂອງຂອບ, ຫນຶ່ງຊີ້ຈາກ node 100 ຫາ 200 ແລະອີກອັນຫນຶ່ງຈາກ 200 ຫາ 100, ແມ່ນຕ້ອງການ, ສໍາລັບຕົວຢ່າງ, ລະຫວ່າງ nodes 100 ແລະ 200. ຖ້າດັດຊະນີຂອບໄດ້ຖືກສະຫນອງໃຫ້, ນີ້ແມ່ນວິທີການສະແດງກາຟທີ່ບໍ່ມີທິດທາງ. [2,2*ຈໍານວນຂອງຂອບຕົ້ນສະບັບ] ຈະເປັນຮູບແບບ tensor.
ພວກເຮົາສ້າງວິທີການແຕ້ມກາຟຂອງພວກເຮົາເພື່ອສະແດງກາຟ. ຂັ້ນຕອນທໍາອິດແມ່ນການຫັນປ່ຽນເຄືອຂ່າຍທີ່ເປັນເອກະພາບຂອງພວກເຮົາເປັນກາຟ NetworkX, ເຊິ່ງສາມາດແຕ້ມໄດ້ໂດຍໃຊ້ NetworkX.draw.
ສ້າງແບບຈໍາລອງ GNN ຂອງພວກເຮົາແລະຝຶກອົບຮົມມັນ
ພວກເຮົາເລີ່ມຕົ້ນດ້ວຍການເຂົ້າລະຫັດຊຸດຂໍ້ມູນທັງໝົດໂດຍການປະຕິບັດຂໍ້ມູນການເຂົ້າລະຫັດດ້ວຍ light=False ແລະຫຼັງຈາກນັ້ນເອີ້ນ construct graph ດ້ວຍ light=False ເພື່ອສ້າງກຣາບທັງໝົດ. ພວກເຮົາຈະບໍ່ພະຍາຍາມແຕ້ມກາຟຂະຫນາດໃຫຍ່ນີ້ເພາະວ່າຂ້ອຍສົມມຸດວ່າເຈົ້າກໍາລັງໃຊ້ເຄື່ອງຈັກທ້ອງຖິ່ນທີ່ມີຊັບພະຍາກອນຈໍາກັດ.
Masks, ເຊິ່ງເປັນ vectors ຄູ່ທີ່ລະບຸວ່າ nodes ໃດເປັນຂອງແຕ່ລະຫນ້າກາກສະເພາະໂດຍໃຊ້ຕົວເລກ 0 ແລະ 1, ສາມາດໃຊ້ເພື່ອແຈ້ງເຕືອນໄລຍະການຝຶກອົບຮົມທີ່ nodes ຄວນຖືກລວມເຂົ້າໃນການຝຶກອົບຮົມແລະບອກໄລຍະ inference ວ່າ nodes ເປັນຂໍ້ມູນການທົດສອບ. Torch geometric.transforms.
ການແບ່ງປັນລະດັບ node ສາມາດຖືກເພີ່ມໂດຍໃຊ້ຫນ້າກາກການຝຶກອົບຮົມ, ຫນ້າກາກ val, ແລະການທົດສອບຄຸນສົມບັດຂອງຫນ້າກາກຂອງຫ້ອງຮຽນ AddTrainValTestMask, ເຊິ່ງສາມາດນໍາໃຊ້ເພື່ອເອົາເສັ້ນສະແດງແລະໃຫ້ພວກເຮົາກໍານົດວິທີທີ່ພວກເຮົາຕ້ອງການສ້າງຫນ້າກາກຂອງພວກເຮົາ.
ພວກເຮົາພຽງແຕ່ໃຊ້ 10% ສໍາລັບການຝຶກອົບຮົມແລະນໍາໃຊ້ 60% ຂອງຂໍ້ມູນເປັນການທົດສອບທີ່ກໍານົດໄວ້ໃນຂະນະທີ່ນໍາໃຊ້ 30% ເປັນຊຸດການກວດສອບ.
ໃນປັດຈຸບັນ, ພວກເຮົາຈະ stack ສອງຊັ້ນ GCNConv, ທໍາອິດທີ່ມີຄຸນສົມບັດຜົນຜະລິດທີ່ນັບເທົ່າກັບຈໍານວນຂອງຄຸນສົມບັດໃນກາຟຂອງພວກເຮົາເປັນຄຸນນະສົມບັດການປ້ອນຂໍ້ມູນ.
ໃນຊັ້ນທີສອງ, ເຊິ່ງປະກອບດ້ວຍຂໍ້ຜົນຜະລິດເທົ່າກັບຈໍານວນຂອງຊັ້ນຮຽນຂອງພວກເຮົາ, ພວກເຮົາໃຊ້ຟັງຊັນການເປີດໃຊ້ relu ແລະສະຫນອງຄຸນສົມບັດ latent.
ດັດຊະນີຂອບແລະນ້ໍາຫນັກແຂບແມ່ນສອງທາງເລືອກ x ທີ່ GCNConv ສາມາດຍອມຮັບໃນຫນ້າທີ່ສົ່ງຕໍ່, ແຕ່ໃນສະຖານະການຂອງພວກເຮົາ, ພວກເຮົາຕ້ອງການພຽງແຕ່ສອງຕົວແປທໍາອິດ.
ເຖິງວ່າຈະມີຄວາມຈິງທີ່ວ່າຕົວແບບຂອງພວກເຮົາຈະສາມາດຄາດຄະເນຊັ້ນຂອງທຸກໆ node ໃນກາຟ, ພວກເຮົາຍັງຈໍາເປັນຕ້ອງກໍານົດຄວາມຖືກຕ້ອງແລະການສູນເສຍສໍາລັບແຕ່ລະຊຸດແຍກຕ່າງຫາກຂຶ້ນຢູ່ກັບໄລຍະ.
ຕົວຢ່າງເຊັ່ນ, ໃນລະຫວ່າງການຝຶກອົບຮົມ, ພວກເຮົາພຽງແຕ່ຕ້ອງການໃຊ້ຊຸດການຝຶກອົບຮົມເພື່ອກໍານົດຄວາມຖືກຕ້ອງແລະການສູນເສຍການຝຶກອົບຮົມ, ແລະດັ່ງນັ້ນ, ນີ້ແມ່ນບ່ອນທີ່ຫນ້າກາກຂອງພວກເຮົາມີປະໂຫຍດ.
ເພື່ອຄິດໄລ່ການສູນເສຍທີ່ເຫມາະສົມແລະຄວາມຖືກຕ້ອງ, ພວກເຮົາຈະກໍານົດຫນ້າທີ່ຂອງການສູນເສຍຫນ້າກາກແລະຄວາມຖືກຕ້ອງຂອງຫນ້າກາກ.
ການຝຶກອົບຮົມຕົວແບບ
ໃນປັດຈຸບັນທີ່ພວກເຮົາໄດ້ກໍານົດຈຸດປະສົງການຝຶກອົບຮົມສໍາລັບການທີ່ຈະນໍາໃຊ້ໂຄມໄຟ. ອາດາມເປັນຕົວເພີ່ມປະສິດທິພາບຫຼັກ.
ພວກເຮົາຈະດໍາເນີນການຝຶກອົບຮົມສໍາລັບໄລຍະເວລາທີ່ແນ່ນອນໃນຂະນະທີ່ຮັກສາຕາກ່ຽວກັບຄວາມຖືກຕ້ອງຂອງການກວດສອບ.
ພວກເຮົາຍັງວາງແຜນການສູນເສຍ ແລະຄວາມຖືກຕ້ອງຂອງການຝຶກອົບຮົມຕະຫຼອດໄລຍະຕ່າງໆ.
ຂໍ້ເສຍຂອງ Graph Neural Network
ການນໍາໃຊ້ GNNs ມີຂໍ້ເສຍເລັກນ້ອຍ. ເມື່ອໃດທີ່ຈະຈ້າງ GNNa ແລະວິທີການເພີ່ມປະສິດທິພາບຂອງຕົວແບບການຮຽນຮູ້ເຄື່ອງຈັກຂອງພວກເຮົາທັງສອງຈະຖືກແຈ້ງໃຫ້ພວກເຮົາເຫັນໄດ້ຊັດເຈນຫຼັງຈາກພວກເຮົາເຂົ້າໃຈພວກມັນດີຂຶ້ນ.
- ໃນຂະນະທີ່ GNNs ເປັນເຄືອຂ່າຍຕື້ນ, ໂດຍປົກກະຕິມີສາມຊັ້ນ, ເຄືອຂ່າຍ neural ສ່ວນໃຫຍ່ສາມາດເຂົ້າໄປໃນຄວາມເລິກເພື່ອປັບປຸງການປະຕິບັດ. ພວກເຮົາບໍ່ສາມາດທີ່ຈະປະຕິບັດໃນຂອບເຂດການຕັດຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ເນື່ອງຈາກການຈໍາກັດນີ້.
- ມັນເປັນການຍາກກວ່າທີ່ຈະຝຶກອົບຮົມແບບຈໍາລອງກ່ຽວກັບກາຟ, ນັບຕັ້ງແຕ່ໂຄງສ້າງຂອງພວກມັນແມ່ນແບບເຄື່ອນໄຫວ.
- ເນື່ອງຈາກຄ່າໃຊ້ຈ່າຍຄອມພິວເຕີສູງຂອງເຄືອຂ່າຍເຫຼົ່ານີ້, ການຂະຫຍາຍຕົວແບບສໍາລັບການຜະລິດນໍາສະເຫນີສິ່ງທ້າທາຍ. ການຂະຫຍາຍ GNNs ສໍາລັບການຜະລິດຈະເປັນສິ່ງທີ່ທ້າທາຍຖ້າໂຄງສ້າງກາຟຂອງທ່ານແມ່ນໃຫຍ່ແລະສັບສົນ.
ສະຫຼຸບ
ໃນໄລຍະສອງສາມປີຜ່ານມາ, GNNs ໄດ້ພັດທະນາເປັນເຄື່ອງມືທີ່ມີປະສິດທິພາບແລະມີປະສິດທິພາບສໍາລັບບັນຫາການຮຽນຮູ້ເຄື່ອງຈັກໃນໂດເມນກຣາຟ. ພາບລວມພື້ນຖານຂອງ graph neural networks ແມ່ນໃຫ້ຢູ່ໃນບົດຄວາມນີ້.
ຫຼັງຈາກນັ້ນ, ທ່ານສາມາດເລີ່ມຕົ້ນສ້າງຊຸດຂໍ້ມູນທີ່ຈະໃຊ້ໃນການຝຶກອົບຮົມແລະການທົດສອບຕົວແບບ. ເພື່ອເຂົ້າໃຈວິທີການເຮັດວຽກແລະສິ່ງທີ່ມັນມີຄວາມສາມາດ, ທ່ານຍັງສາມາດໄປໄກກວ່າແລະຝຶກອົບຮົມມັນໂດຍໃຊ້ຊຸດຂໍ້ມູນທີ່ແຕກຕ່າງກັນ.
ສະບາຍດີລະຫັດ!
ອອກຈາກ Reply ເປັນ