图神经网络 (GNN)

图神经网络（GNN）是深度学习（DL）领域中的一种专门架构，旨在处理和分析数据。 深度学习 (DL)领域中的一种专门架构，旨在处理和分析 图表示的数据。虽然标准的 机器学习（ML）模型通常要求 标准机器学习（ML）模型通常要求数据以规则网格（如图像）或顺序数组（如文本）的形式结构化，而 GNN 则擅长解释由节点和边定义的数据。 由节点和连接节点的边定义的数据。这种独特的能力使其能够捕捉实体间的复杂关系和相互依存关系，从而使 和实体间的相互依存关系，使其在连接结构与数据点本身同等重要的任务中不可或缺。 对于连接结构与数据点本身同样重要的任务来说，它们是不可或缺的。

图神经网络的工作原理

GNN 背后的核心机制是一个称为信息传递或邻域聚合的过程。在这个框架中 图中的每个节点都会通过收集近邻的信息来更新自己的表示。在 训练过程中，网络会学习嵌入--密集向量 表征，这些表征既包含节点本身的特征，也包含其周围网络的结构信息。 网络。

通过多层处理，节点最终可以整合来自图谱远处的信息、 有效地 "看到 "更广阔的背景。这与传统的 线性回归或简单分类模型 相反，传统的线性回归或简单分类模型通常将数据点视为独立实体。像 PyTorch Geometric 等框架促进了这种复杂的 计算，允许开发人员构建复杂的基于图形的应用程序。

将 GNN 与其他架构区分开来

要了解 GNN 的用途，最好先将它们与现代人工智能中常见的其他 现代人工智能中常见的神经网络 (NN)类型：

• 卷积神经网络（CNN）： 卷积神经网络针对网格结构数据（如图像）进行了优化。它们使用固定大小的内核来detect 模式。而 模型，如 Ultralytics YOLO11等模型代表了 等模型代表了视觉对象检测领域的最先进水平、 但它们并不是为处理图形数据的不规则、非欧几里得结构而设计的。
• 递归神经网络（RNN）： RNN 专为顺序数据而构建，可按特定顺序处理输入，用于时间序列分析或语言任务。 时间序列分析或语言任务。 相反，GNN 处理的是空间关系或关联关系而非时间关系的数据。
• 知识图谱知识图谱 图是事实（实体和关系）的结构化数据库，而 GNN 则是用于从这种结构中学习的计算模型。 从这种结构中学习。GNN 通常用于在知识图谱之上执行推理或链接预测。 在知识图谱之上执行推理或链接预测。

实际应用

建立关系模型的能力使 GNN 在各种影响力大的行业中发挥强大作用：

1. 药物发现与化学：在制药业，分子可以自然地表示为图，其中原子是节点，化学键是边。 图，其中原子是节点，化学键是边。GNN 可通过预测分子化学反应，帮助 人工智能在医疗保健领域的应用。 预测分子特性、模拟蛋白质相互作用，并比传统模拟更快地识别潜在候选药物。 模拟。主要的研究计划，如 DeepMind 等公司的主要研究计划都在很大程度上依赖于几何深度学习概念。
2. 社交网络分析：平台利用 GNN 分析庞大的用户互动网络。通过 通过将用户建模为节点，将互动建模为边，这些网络为 推荐系统 好友、内容或产品。它们对于欺诈检测也至关重要，可识别可疑的活动集群，而传统的欺诈检测方法无法识别这些活动集群。 活动，而传统的 异常检测方法可能会忽略的可疑活动集群。

实现图形概念

虽然专门的库可以处理繁重的消息传递工作，但了解如何构建图形数据是 的第一步。下面是一个使用 PyTorch来 定义图的边连接（拓扑），作为 GNN 的输入。

import torch

# Define a simple graph with 3 nodes and 2 edges
# 'edge_index' represents connections: Node 0->1 and Node 1->2
edge_index = torch.tensor([[0, 1], [1, 2]], dtype=torch.long)

# Define features for each node (e.g., x, y coordinates or attributes)
# 3 nodes, each with 2 feature values
x = torch.tensor([[-1, 0], [0, 0], [1, 0]], dtype=torch.float)

print(f"Graph defined with {x.size(0)} nodes and {edge_index.size(1)} edges.")

GNN 越来越多地被集成到更大的管道中。例如，一个系统可以使用 图像分割来识别场景中的物体 然后使用 GNN 来推理这些物体之间的空间关系，从而在视觉感知和逻辑推理之间架起一座桥梁。 视觉感知和逻辑推理之间的桥梁。像 TensorFlow GNN和 深度图库 (DGL)等工具日趋成熟，部署这些复杂模型的门槛也在不断降低，从而扩大了其应用范围。 模型的门槛不断降低，将其应用范围扩展到 智能城市及其他领域。