Graph Neural Network (GNN)

图神经网络 (GNN) 是一类专门用于处理图结构数据的深度学习架构。虽然 卷积神经网络 (CNN) 等传统模型针对图像等网格化结构进行了优化，而 循环神经网络 (RNN) 擅长处理文本或 时间序列分析 等顺序数据，但 GNN 具有处理非欧几里得数据的独特能力。这意味着它们可以处理由节点（实体）和边（关系）定义的数据集，从而从刻画真实世界网络的复杂相互依赖关系中进行学习。通过同时捕获单个数据点的属性以及它们之间的结构连接，GNN 能够在关系与实体同样关键的领域中发掘强大的洞察力。

Link to this section图神经网络的工作原理#

GNN 背后的基本机制是一种通常称为“消息传递”或邻域聚合的过程。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的表示。在 模型训练 期间，网络会学习生成有效的 嵌入（即密集向量表示），这些嵌入编码了节点的特征及其局部邻域的拓扑结构。

通过多层处理，节点最终可以整合图中更远处的信息，从而有效地扩大其“感受野”。这使得模型能够理解节点在更大结构中的上下文。像 PyTorch Geometric 和 Deep Graph Library (DGL) 等现代框架促进了这些复杂消息传递方案的实现，使开发者无需从零开始即可构建复杂的基于图的应用程序。

Link to this sectionGNN 与其他神经架构的对比#

要理解 GNN 的独特作用，将其与 AI 领域中其他常见的 神经网络 (NN) 类型区分开来是很有帮助的：

• 卷积神经网络 (CNN)：这些是视觉任务（如 图像分类 或 目标检测）的行业标准。像 Ultralytics YOLO26 这样的模型依赖 CNN 来处理固定网格的像素数据。然而，CNN 在处理每个节点的邻居数量不固定的不规则结构时会遇到困难。
• 循环神经网络 (RNN)：RNN 按特定顺序处理输入，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，GNN 处理的是关系在本质上是空间或关联性而非严格时间或顺序的数据。
• 知识图谱：知识图谱是一个事实（实体和关系）的结构化数据库，而 GNN 是用于从这些结构中学习的计算模型。GNN 经常部署在知识图谱之上以执行链路预测等任务，通常用于增强 检索增强生成 (RAG) 流水线。

Link to this section实际应用#

建模任意关系的能力使 GNN 在各种高影响力行业中不可或缺：

1. 药物发现与医疗健康：在制药行业中，化学分子自然表现为图，其中原子是节点，键是边。GNN 通过预测分子性质和模拟蛋白质相互作用，正在改变 AI 在医疗健康领域 的应用。像 Google DeepMind 的 AlphaFold 这样的创新突显了几何深度学习在理解生物结构方面的力量。

2. 社交网络分析与推荐：平台利用 GNN 分析庞大的用户交互网络。通过将用户建模为节点，将友谊或点赞建模为边，这些网络驱动了推荐 推荐系统，以建议内容、产品或联系人。这种方法与 Pinterest 的 GraphSage 中使用的方法类似，能够有效扩展到数十亿次交互。

3. 物流与交通预测：在 AI 在物流领域 中，道路网络被视为图，其中交叉口是节点，道路是边。GNN 可以通过分析不同道路路段之间的空间依赖性来预测交通流量并优化配送路线，其表现远优于简单的统计基准。

Link to this section将图概念与视觉 AI 集成#

图神经网络正日益被集成到多模态流水线中。例如，一个综合系统可能会使用 图像分割 来识别场景中的不同对象，然后使用 GNN 来推理这些对象之间的空间关系，这通常被称为“场景图”。这弥合了视觉感知与逻辑推理之间的鸿沟。

以下 Python 示例演示了如何将视觉 AI 与图结构结合起来。它使用 Ultralytics YOLO26 模型来检测充当节点的对象，并使用 torch 构建基本的图结构。

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.")

寻求管理这些复杂流水线所需数据集的开发者可以使用 Ultralytics Platform，它简化了系统中视觉组件的标注和训练工作流。通过将稳健的视觉模型与 GNN 的关系推理相结合，工程师可以构建能够更好地理解周围世界的上下文感知自治系统。