グラフニューラルネットワーク（GNN）とは何ですか？

グラフは私たちの周りのいたるところにあります。ソーシャル ネットワークは人々と関係をグラフ化したものです。あなたの家族もそうです。地点 A から地点 B に移動するために通過する道路がグラフを構成します。この Web ページを他の Web ページに接続するリンクがグラフを形成します。雇用主があなたに支払うとき、あなたの支払いは金融機関のグラフを経由します。

基本的に、リンクされたエンティティで構成されるものはすべてグラフとして表現できます。グラフは、人、物体、概念間の関係を視覚化するための優れたツールです。ただし、情報を視覚化するだけでなく、グラフは複雑なタスクの機械学習モデルをトレーニングするための優れたデータ ソースとしても使用できます。

グラフ ニューラル ネットワーク (GNN) は、グラフから重要な情報を抽出し、有用な予測を行うことができる機械学習アルゴリズムの一種です。グラフがより普及し情報が豊富になり、人工ニューラル ネットワークが普及するにつれて、 より人気があり、より有能である, GNN は、多くの重要なアプリケーションにとって強力なツールとなっています。

ニューラル ネットワーク処理のためのグラフの変換

すべてのグラフはノードとエッジで構成されます。たとえば、ソーシャル ネットワークでは、ノードはユーザーとその特性 (名前、性別、年齢、都市など) を表すことができ、エッジはユーザー間の関係を表すことができます。より複雑なソーシャル グラフには、都市、スポーツ チーム、報道機関などの他のタイプのノードや、ユーザーとそれらのノードの間の関係を記述するエッジを含めることができます。

残念ながら、グラフ構造は機械学習にはあまり適していません。 ニューラルネットワーク データを統一フォーマットで受信することを期待しています。多層パーセプトロンは、固定数の入力特徴を期待します。畳み込みニューラル ネットワークは、処理するデータのさまざまな次元 (画像の幅、高さ、カラー チャネルなど) を表すグリッドを期待します。

グラフにはさまざまな構造やサイズがあり、ニューラル ネットワークが期待する長方形の配列には準拠していません。グラフには、従来のニューラル ネットワークが設計されている情報の種類とは異なる他の特性もあります。たとえば、グラフは「順列不変」です。これは、ノードの関係が同じである限り、ノードの順序と位置を変更しても違いが生じないことを意味します。対照的に、ピクセルの順序を変更すると、異なる画像が生成され、それらを処理するニューラル ネットワークの動作が異なります。

グラフを深層学習アルゴリズムで利用できるようにするには、グラフのデータをニューラル ネットワークで処理できる形式に変換する必要があります。グラフ データを表現するために使用される書式設定の種類は、グラフの種類や目的のアプリケーションによって異なりますが、一般に重要なのは、情報を一連の行列として表すことです。

たとえば、ソーシャル ネットワークのグラフを考えてみましょう。ノードは、ユーザー特性のテーブルとして表すことができます。ノード テーブルには、各行に 1 つのエンティティ (ユーザー、顧客、銀行取引など) に関する情報が含まれており、通常のニューラル ネットワークに提供される情報の種類です。

だけど グラフニューラルネットワーク グラフに含まれる他の情報からも学習できます。エッジ、つまりノードを接続する線も同じ方法で表すことができ、各行にはユーザーの ID と、友人関係の日付、関係の種類などの追加情報が含まれます。 最後に、グラフの一般的な接続性です。は、どのノードが相互に接続されているかを示す隣接行列として表すことができます。

これらすべての情報がニューラル ネットワークに提供されると、グラフの個々のコンポーネントに含まれる単純な情報を超えるパターンや洞察を抽出できます。

グラフの埋め込み

グラフ ニューラル ネットワークは、全結合層、畳み込み層、プーリング層などを使用して、他のニューラル ネットワークと同様に作成できます。層の種類と数は、グラフ データの種類と複雑さ、および目的の出力によって異なります。

GNN は、フォーマットされたグラフ データを入力として受け取り、ノードとその関係に関する関連情報を表す数値のベクトルを生成します。

このベクトル表現を「グラフ埋め込み」と呼びます。埋め込みは、複雑な情報を区別して学習できる構造に変換するために機械学習でよく使用されます。たとえば、自然言語処理システムは、単語の埋め込みを使用して、単語とその関係の数値表現を作成します。

GNN はどのようにしてグラフ埋め込みを作成するのでしょうか?グラフ データが GNN に渡されると、各ノードの特徴が隣接ノードの特徴と結合されます。これを「メッセージパッシング」と呼びます。 GNN が複数の層で構成されている場合、後続の層はメッセージパッシング操作を繰り返し、隣接層の隣接層からデータを収集し、前の層から取得した値と集約します。たとえば、ソーシャル ネットワークでは、GNN の最初の層でユーザーのデータとその友人のデータが結合され、次の層で友人の友人からのデータが追加されます。最後に、GNN の出力層は、ノードのデータとグラフ内の他のノードの知識のベクトル表現である埋め込みを生成します。

興味深いことに、このプロセスは、畳み込みニューラル ネットワークがピクセル データから特徴を抽出する方法と非常に似ています。したがって、非常に人気のある GNN アーキテクチャの 1 つは、畳み込み層を使用してグラフ埋め込みを作成するグラフ畳み込みニューラル ネットワーク (GCN) です。

グラフニューラルネットワークの応用

グラフの埋め込みを学習できるニューラル ネットワークを作成したら、それを使用してさまざまなタスクを実行できます。

グラフ ニューラル ネットワークのアプリケーションをいくつか紹介します。

ノードの分類: GNN の強力なアプリケーションの 1 つは、ノードに新しい情報を追加したり、情報が欠落しているギャップを埋めることです。たとえば、ソーシャル ネットワークを実行していて、ボット アカウントをいくつか見つけたとします。次に、ネットワーク内に他のボット アカウントが存在するかどうかを確認したいとします。 GNN をトレーニングして、グラフの埋め込みが既知のボットのグラフの埋め込みにどれだけ近いかに基づいて、ソーシャル ネットワーク内の他のユーザーを「ボット」または「非ボット」として分類することができます。

エッジ予測: GNN を使用するもう 1 つの方法は、グラフに価値を追加できる新しいエッジを見つけることです。ソーシャル ネットワークに戻ると、GNN は、埋め込みスペースであなたの近くにいるが、まだ友達ではない (つまり、あなたを互いに接続するエッジが存在しない) ユーザー (ノード) を見つけることができます。これらのユーザーを友達候補として紹介することができます。

クラスタリング: GNN はグラフから新しい構造情報を収集できます。たとえば、誰もが何らかの形で他者と (友人、または友人の友人などを通じて) 関係があるソーシャル ネットワークでは、GNN は埋め込み空間でクラスターを形成するノードを見つけることができます。これらのクラスターは、関係の親密さに関係なく、同様の興味、活動、またはその他の目立たない特徴を共有するユーザーのグループを指すことができます。クラスタリングは、機械学習ベースのマーケティングで使用される主要なツールの 1 つです。

グラフ ニューラル ネットワークは非常に強力なツールです。彼らはすでに、ルート計画、不正行為検出、ネットワーク最適化、医薬品研究などの分野で強力なアプリケーションを発見しています。関連するエンティティのグラフがある場合はどこでも、GNN は既存のデータから最大限の価値を引き出すのに役立ちます。

Ben Dicksonは、ソフトウェアエンジニアであり、TechTalksの創設者です。 彼はテクノロジー、ビジネス、そして政治について書いています。

この話はもともと Bdtechtalks.com。 著作権2021