グラフニューラルネットワーク (GNN) とは何ですか?

[51CTO.com クイック翻訳]グラフィックは人々の仕事や生活のいたるところに存在します。たとえば、ソーシャル ネットワークは関係性のグラフです。ポイント A からポイント B へのパスがグラフを形成し、Web ページを他の Web ページに接続するリンクもグラフを形成します。企業が従業員に給与を支払う場合、その支払いは金融機関のフローチャートを経由します。

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、概念間の関係を視覚化するのに最適なツールです。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用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 ソースにもなります。

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です。グラフがより普及し、情報量が増えるにつれて、人工ニューラル ネットワークはより普及し、強力になり、グラフ ニューラル ネットワーク (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になりました。

ニューラルネットワーク処理のための変換グラフ

各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) を表し、エッジはユーザー間の関係を表します。より複雑なソーシャル グラフには、都市、スポーツ チーム、ニュース メディアなどの他の種類のノードや、ユーザーとこれらのノードの関係を表すエッジが含まれます。

ただし、グラフ構造は機械学習には適していません。ニューラル ネットワークは統一された形式でデータを受信することを想定しており、多層パーセプトロンは固定数の入力機能を必要とします。畳み込みニューラル ネットワークでは、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) を表すグリッドが必要です。

グラフは構造やサイズが異なるため、ニューラル ネットワークが想定する長方形の配列に準拠しないことがよくあります。グラフには、従来のニューラル ネットワークが伝達するように設計された情報の種類とは異なる他の特性もあります。たとえば、グラフでは、ノード間の関係が同じであれば、ノードの順序と位置を変更しても影響はありません。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、それを処理するニューラル ネットワークの動作も変わります。

グラフをディープラーニング アルゴリズムに役立てるには、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 データを表すために使用される形式の種類は、グラフの種類と目的のアプリケーションによって異なりますが、一般的には、情報を一連のマトリックスとして表すことが重要です。

たとえば、ソーシャル ネットワーク グラフでは、ノードはユーザー機能テーブルとして表すことができます。ノード テーブルの各行には、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、これはグラフ ニューラル ネットワークに供給できる情報の種類です。

しかし、グラフ ニューラル ネットワーク (GNN) は、グラフに含まれる他の情報からも学習できます。エッジはノードを接続する線分であり、同じ方法で表現できます。各行には、ユーザーの ID と、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は隣接行列として表すことができ、どのノードが互いに接続されているかを示します。

このすべての情報をニューラル ネットワークに入力すると、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たパターンと洞察を抽出できます。

グラフィックの埋め込み

グラフ ニューラル ネットワーク (GNN) は、完全接続層、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。レイヤーのタイプと数は、グラフィック データのタイプと複雑さ、および目的の出力によって異なります。

グラフ ニューラル ネットワーク (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ベクトルを生成します。

このベクトル表現は「グラフ埋め込み」と呼ばれます。グラフ埋め込みは、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。

グラフからデータを収集し、前のレイヤーから取得した値と集計します。たとえば、ソーシャル ネットワークでは、グラフ ニューラル ネットワーク (GNN) の最初のレイヤーでユーザーのデータとその友人のデータが結合され、次のレイヤーでその友人の友人のデータが追加される、というように続きます。最後に、グラフ ニューラル ネットワーク (GNN) の出力層は、ノード データとグラフ内の他のノードに関する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、非常に人気のあるグラフ ニューラル ネットワーク (GNN) アーキテクチャは、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 (GNN) の応用

グラフ埋め込みを学習できるニューラル ネットワークができたら、それをさまざまなタスクに使用できます。

グラフ ニューラル ネットワーク (GNN) のいくつかのアプリケーションを以下に示します。

• ノード分類: グラフ ニューラル ネットワーク (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たりすることです。たとえば、ソーシャル ネットワークを運営していて、ボット アカウントをいくつか発見したとします。企業が自社の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把握したい場合、グラフ ニューラル ネットワーク (GNN) をトレーニングして、ソーシャル ネットワーク内の他のユーザーのグラフ埋め込みが既知のボットの埋め込みにどれだけ近いかに基づいて、そのユーザーを「ボット」または「非ボット」に分類することができます。
• エッジ予測: グラフ ニューラル ネットワーク (GNN) を使用するもう 1 つの方法は、グラフに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 ネットワークを例にとると、グラフ ニューラル ネットワーク (GNN) は、埋め込み空間内で誰かに近いがまだ友達ではない (つまり、互いを接続するエッジがない) ユーザー (ノード) を見つけることができ、これらのユーザーを友達としてその人に紹介することができます。
• クラスタリング: グラフ ニューラル ネットワーク (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、誰もが何らかの方法で（友人や友人の友人などを通じて）他のすべての人と相互接続されているソーシャル ネットワークでは、グラフ ニューラル ネットワーク (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、どれほど密接に関連しているかに関係なく、同様の興味、活動、またはその他の微妙な特性を持つ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 (GNN) は非常に強力なツールです。これらは、ルート計画、不正行為の検出、ネットワークの最適化、医薬品研究などの分野で幅広く応用されています。関連するエンティティのグラフがある限り、グラフ ニューラル ネットワーク (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。

原題: グラフ ニューラル ネットワーク (GNN) とは?、著者: Ben Dickson

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]