ग्राफ न्यूरल नेटवर्क (जीएनएन) क्या हैं?

रेखांकन हमारे चारों ओर हर जगह हैं। आपका सामाजिक नेटवर्क लोगों और संबंधों का एक ग्राफ है। वैसे ही आपका परिवार है। बिंदु A से बिंदु B तक जाने के लिए आप जो सड़कें लेते हैं, वे एक ग्राफ बनाती हैं। वे लिंक जो इस वेबपेज को दूसरों से जोड़ते हैं, एक ग्राफ बनाते हैं। जब आपका नियोक्ता आपको भुगतान करता है, तो आपका भुगतान वित्तीय संस्थानों के एक ग्राफ़ के माध्यम से जाता है।

मूल रूप से, लिंक की गई संस्थाओं से बनी कोई भी चीज़ को एक ग्राफ़ के रूप में दर्शाया जा सकता है। लोगों, वस्तुओं और अवधारणाओं के बीच संबंधों की कल्पना करने के लिए ग्राफ़ उत्कृष्ट उपकरण हैं। जानकारी की कल्पना करने के अलावा, ग्राफ़ जटिल कार्यों के लिए मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए डेटा के अच्छे स्रोत भी हो सकते हैं।

ग्राफ़ न्यूरल नेटवर्क (GNN) एक प्रकार का मशीन लर्निंग एल्गोरिथम है जो ग्राफ़ से महत्वपूर्ण जानकारी निकाल सकता है और उपयोगी भविष्यवाणियाँ कर सकता है। जानकारी के साथ ग्राफ़ अधिक व्यापक और समृद्ध होते जा रहे हैं, और कृत्रिम तंत्रिका नेटवर्क बनते जा रहे हैं अधिक लोकप्रिय और सक्षमजीएनएन कई महत्वपूर्ण अनुप्रयोगों के लिए एक शक्तिशाली उपकरण बन गए हैं।

तंत्रिका नेटवर्क प्रसंस्करण के लिए रेखांकन बदलना

हर ग्राफ नोड्स और किनारों से बना होता है। उदाहरण के लिए, एक सामाजिक नेटवर्क में, नोड उपयोगकर्ताओं और उनकी विशेषताओं (जैसे, नाम, लिंग, आयु, शहर) का प्रतिनिधित्व कर सकते हैं, जबकि किनारे उपयोगकर्ताओं के बीच संबंधों का प्रतिनिधित्व कर सकते हैं। एक अधिक जटिल सामाजिक ग्राफ में अन्य प्रकार के नोड्स शामिल हो सकते हैं, जैसे शहर, खेल टीम, समाचार आउटलेट, साथ ही किनारे जो उपयोगकर्ताओं और उन नोड्स के बीच संबंधों का वर्णन करते हैं।

दुर्भाग्य से, मशीन सीखने के लिए ग्राफ संरचना अच्छी तरह से अनुकूल नहीं है। तंत्रिका जाल एक समान प्रारूप में अपना डेटा प्राप्त करने की अपेक्षा करते हैं। मल्टी-लेयर परसेप्ट्रॉन एक निश्चित संख्या में इनपुट सुविधाओं की अपेक्षा करते हैं। संवेदी तंत्रिका नेटवर्क एक ग्रिड की अपेक्षा करते हैं जो उनके द्वारा संसाधित किए जाने वाले डेटा के विभिन्न आयामों का प्रतिनिधित्व करता है (उदाहरण के लिए, चौड़ाई, ऊंचाई और छवियों के रंग चैनल)।

रेखांकन विभिन्न संरचनाओं और आकारों में आ सकते हैं, जो तंत्रिका नेटवर्क द्वारा अपेक्षित आयताकार सरणियों के अनुरूप नहीं होते हैं। ग्राफ़ में अन्य विशेषताएँ भी होती हैं जो उन्हें उस प्रकार की जानकारी से अलग बनाती हैं जिसके लिए क्लासिक न्यूरल नेटवर्क डिज़ाइन किए गए हैं। उदाहरण के लिए, ग्राफ़ "क्रमचय अपरिवर्तनीय" हैं, जिसका अर्थ है कि नोड्स के क्रम और स्थिति को बदलने से तब तक कोई फर्क नहीं पड़ता जब तक उनके संबंध समान रहते हैं। इसके विपरीत, पिक्सेल के क्रम को बदलने से एक अलग छवि बनती है और तंत्रिका नेटवर्क का कारण बनता है जो उन्हें अलग तरह से व्यवहार करने के लिए संसाधित करता है।

डीप लर्निंग एल्गोरिदम के लिए ग्राफ़ को उपयोगी बनाने के लिए, उनके डेटा को एक ऐसे प्रारूप में बदलना चाहिए जिसे तंत्रिका नेटवर्क द्वारा संसाधित किया जा सके। ग्राफ़ डेटा का प्रतिनिधित्व करने के लिए उपयोग किए जाने वाले स्वरूपण का प्रकार ग्राफ़ के प्रकार और इच्छित अनुप्रयोग के आधार पर भिन्न हो सकता है, लेकिन सामान्य तौर पर, जानकारी को मैट्रिसेस की एक श्रृंखला के रूप में प्रस्तुत करना महत्वपूर्ण है।

उदाहरण के लिए, एक सामाजिक नेटवर्क ग्राफ़ पर विचार करें। नोड्स को उपयोगकर्ता विशेषताओं की तालिका के रूप में दर्शाया जा सकता है। नोड तालिका, जहाँ प्रत्येक पंक्ति में एक इकाई (जैसे, उपयोगकर्ता, ग्राहक, बैंक लेनदेन) के बारे में जानकारी होती है, वह जानकारी का प्रकार है जो आप एक सामान्य तंत्रिका नेटवर्क प्रदान करेंगे।

परंतु ग्राफ तंत्रिका नेटवर्क ग्राफ़ में शामिल अन्य जानकारी से भी सीख सकते हैं। किनारों, लाइनों जो नोड्स को जोड़ती हैं, को उसी तरह से दर्शाया जा सकता है, जिसमें प्रत्येक पंक्ति में उपयोगकर्ताओं की आईडी और अतिरिक्त जानकारी जैसे कि दोस्ती की तारीख, रिश्ते का प्रकार आदि शामिल हैं। अंत में, ग्राफ की सामान्य कनेक्टिविटी एक आसन्न मैट्रिक्स के रूप में दर्शाया जा सकता है जो दिखाता है कि कौन से नोड एक दूसरे से जुड़े हुए हैं।

जब यह सारी जानकारी तंत्रिका नेटवर्क को प्रदान की जाती है, तो यह पैटर्न और अंतर्दृष्टि निकाल सकता है जो ग्राफ़ के अलग-अलग घटकों में निहित सरल जानकारी से परे जाते हैं।

ग्राफ एम्बेडिंग

ग्राफ़ न्यूरल नेटवर्क को किसी भी अन्य न्यूरल नेटवर्क की तरह बनाया जा सकता है, पूरी तरह से कनेक्टेड लेयर्स, कनवल्शनल लेयर्स, पूलिंग लेयर्स आदि का उपयोग करके। लेयर्स का प्रकार और संख्या ग्राफ़ डेटा के प्रकार और जटिलता और वांछित आउटपुट पर निर्भर करती है।

जीएनएन स्वरूपित ग्राफ़ डेटा को इनपुट के रूप में प्राप्त करता है और संख्यात्मक मानों का एक वेक्टर उत्पन्न करता है जो नोड्स और उनके संबंधों के बारे में प्रासंगिक जानकारी का प्रतिनिधित्व करता है।

इस वेक्टर प्रतिनिधित्व को "ग्राफ़ एम्बेडिंग" कहा जाता है। एंबेडिंग का उपयोग अक्सर मशीन लर्निंग में जटिल जानकारी को एक ऐसी संरचना में बदलने के लिए किया जाता है जिसे अलग किया जा सकता है और सीखा जा सकता है। उदाहरण के लिए, प्राकृतिक भाषा प्रसंस्करण प्रणालियाँ शब्दों के संख्यात्मक प्रतिनिधित्व और उनके संबंधों को एक साथ बनाने के लिए शब्द एम्बेडिंग का उपयोग करती हैं।

जीएनएन ग्राफ एम्बेडिंग कैसे बनाता है? जब ग्राफ़ डेटा जीएनएन को पास किया जाता है, तो प्रत्येक नोड की विशेषताओं को उसके पड़ोसी नोड्स के साथ जोड़ दिया जाता है। इसे "संदेश पास करना" कहा जाता है। यदि जीएनएन एक से अधिक परतों से बना है, तो बाद की परतें संदेश-पासिंग ऑपरेशन को दोहराती हैं, पड़ोसियों के पड़ोसियों से डेटा एकत्र करती हैं और उन्हें पिछली परत से प्राप्त मूल्यों के साथ एकत्रित करती हैं। उदाहरण के लिए, एक सोशल नेटवर्क में, जीएनएन की पहली परत उपयोगकर्ता के डेटा को उनके दोस्तों के साथ जोड़ती है, और अगली परत दोस्तों के दोस्तों से डेटा जोड़ती है और इसी तरह। अंत में, जीएनएन की आउटपुट परत एम्बेडिंग उत्पन्न करती है, जो नोड के डेटा का वेक्टर प्रतिनिधित्व है और ग्राफ में अन्य नोड्स का ज्ञान है।

दिलचस्प बात यह है कि यह प्रक्रिया बहुत हद तक वैसी ही है, जैसे दृढ़ तंत्रिका नेटवर्क पिक्सेल डेटा से सुविधाएँ निकालते हैं। तदनुसार, एक बहुत लोकप्रिय जीएनएन आर्किटेक्चर ग्राफ कन्वेन्शनल न्यूरल नेटवर्क (जीसीएन) है, जो ग्राफ एम्बेडिंग बनाने के लिए दृढ़ परतों का उपयोग करता है।

ग्राफ तंत्रिका नेटवर्क के अनुप्रयोग

एक बार आपके पास एक तंत्रिका नेटवर्क है जो ग्राफ के एम्बेडिंग को सीख सकता है, तो आप इसे विभिन्न कार्यों को पूरा करने के लिए उपयोग कर सकते हैं।

यहाँ ग्राफ तंत्रिका नेटवर्क के लिए कुछ अनुप्रयोग दिए गए हैं:

नोड वर्गीकरण: जीएनएन के शक्तिशाली अनुप्रयोगों में से एक नोड्स में नई जानकारी जोड़ना या अंतराल भरना है जहां जानकारी गायब है। उदाहरण के लिए, मान लें कि आप एक सामाजिक नेटवर्क चला रहे हैं और आपने कुछ बॉट खाते देखे हैं। अब आप यह पता लगाना चाहते हैं कि आपके नेटवर्क में अन्य बॉट खाते हैं या नहीं। आप GNN को सोशल नेटवर्क में अन्य उपयोगकर्ताओं को "बॉट" या "बॉट नहीं" के रूप में वर्गीकृत करने के लिए प्रशिक्षित कर सकते हैं, इस आधार पर कि उनके ग्राफ एम्बेडिंग ज्ञात बॉट्स के कितने करीब हैं।

किनारे की भविष्यवाणी: जीएनएन का उपयोग करने का एक और तरीका नए किनारों को खोजना है जो ग्राफ़ में मूल्य जोड़ सकते हैं। हमारे सोशल नेटवर्क पर वापस जा रहे हैं, एक जीएनएन उन उपयोगकर्ताओं (नोड्स) को ढूंढ सकता है जो एम्बेडिंग स्पेस में आपके करीब हैं लेकिन जो अभी तक आपके दोस्त नहीं हैं (यानी, आपको एक दूसरे से जोड़ने वाला किनारा नहीं है)। इन उपयोगकर्ताओं को फिर आपको मित्र सुझावों के रूप में पेश किया जा सकता है।

क्लस्टरिंग: GNN ग्राफ़ से नई संरचनात्मक जानकारी एकत्र कर सकते हैं। उदाहरण के लिए, एक सोशल नेटवर्क में जहां हर कोई एक तरह से या दूसरे से संबंधित है (दोस्तों, या दोस्तों के दोस्तों, आदि के माध्यम से), जीएनएन उन नोड्स को खोज सकता है जो एम्बेडिंग स्पेस में क्लस्टर बनाते हैं। ये समूह उन उपयोगकर्ताओं के समूहों को इंगित कर सकते हैं जो समान रुचियों, गतिविधियों या अन्य अस्पष्ट विशेषताओं को साझा करते हैं, भले ही उनके संबंध कितने भी करीबी क्यों न हों। क्लस्टरिंग मशीन लर्निंग-आधारित मार्केटिंग में उपयोग किए जाने वाले मुख्य उपकरणों में से एक है।

ग्राफ न्यूरल नेटवर्क बहुत शक्तिशाली उपकरण हैं। वे पहले से ही रूट प्लानिंग, फ्रॉड डिटेक्शन, नेटवर्क ऑप्टिमाइज़ेशन और ड्रग रिसर्च जैसे डोमेन में शक्तिशाली एप्लिकेशन पा चुके हैं। जहां भी संबंधित संस्थाओं का एक ग्राफ है, जीएनएन मौजूदा डेटा से सबसे अधिक मूल्य प्राप्त करने में सहायता कर सकते हैं।

बेन डिक्सन एक सॉफ्टवेयर इंजीनियर और TechTalks के संस्थापक हैं। वह प्रौद्योगिकी, व्यापार और राजनीति के बारे में लिखते हैं।

यह कहानी मूल रूप से दिखाई दी बीडीटेकटॉक डॉट कॉम। कॉपीराइट 2021