图神经网络 (GNN)

图神经网络（GNN）是专门用于处理图表示数据的深度学习架构类别。传统模型如卷积神经网络（CNN）针对图像等网格状结构进行了优化，而循环神经网络（RNN）则擅长处理文本或时间序列等序列数据。 时间序列分析等序列数据，而GNN则具备处理非欧几里得数据的独特能力。这意味着它们能处理由节点（实体）和边（关系）定义的数据集，从而从现实世界网络中复杂的相互依赖关系中学习。通过同时捕捉单个数据点的属性及其间的结构化连接，GNN在那些关系与实体本身同等重要的领域中，释放出 在关系与实体同等关键的领域中，揭示出强大的洞察力。

图神经网络的工作原理

图神经网络（GNN）背后的基本机制常被称为“消息传递”或邻域聚合。在此框架中，图中的每个节点通过收集其直接邻居的信息来更新自身表示。在模型训练过程中，网络学会生成有效的嵌入——即密集向量表示——这些表示不仅编码了节点的特征，还包含其局部邻域的拓扑结构。

通过多层处理，节点最终能够整合来自图中更远位置的信息， 有效扩展其"感受野"。这使得模型能够理解节点在更大结构中的上下文关系。 现代PyTorch 深度图库（DGL） 为实现这些复杂的消息传递机制提供了便利， 使开发者无需从零开始即可构建复杂的图计算应用。

全局神经网络与其他神经网络架构

要理解图神经网络（GNNs）的独特作用，有必要将其与人工智能领域中常见的其他神经网络（NN）类型区分开来：

• 卷积神经网络（CNN）：这是视觉任务（如图像分类 或目标检测）的黄金标准。Ultralytics 模型依赖卷积神经网络处理固定网格像素数据。然而，卷积神经网络在处理不规则结构时会遇到困难，因为这类结构中每个节点的邻居数量各不相同。
• 循环神经网络（RNNs）：RNNs以特定序列处理输入，使其成为语言任务或自然语言处理（NLP）的理想选择。相比之下，GNNs处理的是具有空间或关系特征的数据，而非严格的时间或序列特征。
• 知识图谱: 知识图谱是事实（实体与关系）的结构化数据库，而图神经网络（GNN）则是用于从这类结构中学习的计算模型。GNN常部署于知识图谱之上执行链接预测等任务，通常能增强检索增强生成（RAG）管道的性能。

实际应用

能够建模任意关系的能力，使图神经网络在众多高影响力行业中不可或缺：

1. 药物研发与医疗健康：在制药行业中，化学分子天然以图的形式呈现——原子作为节点，化学键作为边。图神经网络正通过预测分子特性和模拟蛋白质相互作用，重塑医疗健康领域的人工智能应用。 Google 的AlphaFold等创新成果，彰显了几何深度学习在解析生物结构方面的强大能力。
2. 社交网络分析与推荐：平台利用图神经网络（GNNs）解析庞大的用户交互网络。通过将用户建模为节点，将好友关系或点赞行为建模为边，这些网络驱动着推荐系统，为用户提供内容、产品或人际连接的建议。这种方法类似于Pinterest的GraphSage所采用的技术，能够有效处理数十亿级别的交互数据。
3. 物流与交通预测：在物流领域的人工智能应用中，道路网络被视为图结构，其中交叉路口为节点，道路为边。通过分析不同路段间的空间依赖关系，图神经网络（GNNs）能够预测交通流量并优化配送路线，其性能远超简单的统计基准模型。

将图概念与视觉人工智能融合

图神经网络正日益融入多模态处理管道。例如，一个综合系统可能先通过图像分割识别场景中的不同物体，再运用图神经网络推断这些物体间的空间关系——这通常被称为"场景图"。这种方法弥合了视觉感知与逻辑推理之间的鸿沟。

以下Python 演示了如何将视觉人工智能与图结构进行连接。它使用了 Ultralytics YOLO26 用于detect 模型，这些detect 作为节点，并利用 torch.

import torch
from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities (nodes)
results = model("https://ultralytics.com/images/bus.jpg")

# Extract box centers to serve as node features
# Format: [center_x, center_y] derived from xywh
boxes = results[0].boxes.xywh[:, :2].cpu()
x = torch.tensor(boxes.numpy(), dtype=torch.float)

# Create a hypothetical edge index connecting the first two objects
# In a real GNN, edges might be defined by distance or interaction
edge_index = torch.tensor([[0, 1], [1, 0]], dtype=torch.long)

print(f"Graph constructed: {x.size(0)} nodes (objects) and {edge_index.size(1)} edges.")

开发者若需管理这些复杂管道所需的数据集，可采用Ultralytics 该Ultralytics 能简化系统视觉组件的标注与训练工作流。通过将强大的视觉模型与图神经网络（GNNs）的关系推理相结合，工程师可构建具备情境感知能力的自主系统，使其更深入地理解周围世界。