Graf Sinir Ağlarına(GNN) Ufak Bir Giriş
Graf
Düğümler ve kenarlar içeren bir veri yapısı türüdür. Bir düğüm bir kişi, yer veya nesne olabilir ve kenarlar düğümler arasındaki ilişkiyi tanımlar. Kenarlar, yönlendirilmiş ve yönsüz olabilir, yönlendirme bağımlılıklarına göre belirlenir. Aşağıdaki örnekte, mavi daireler düğümleri temsil eder ve oklar kenarları gösterir. Kenarların yönü, iki düğüm arasındaki bağımlılıkları tanımlar.
Graf Sinir Ağları
- Genel kullanım alanları resim tanıma, resim sınıflandırma ve tıpta görüntü analizi olsa da doğal dil işlemede dâhil olmak üzere birçok alanda kullanılmaktadır. Tarihsel gelişimi ilk olarak 1962 yılında Hubel ve Wiesel tarafından kullanılmıştır.
- Özellikle ilişkisel verilerle çalışmak için tasarlanmış derin sinir ağları ailesidir. Karmaşık yapıları modelleme, ilişkileri açıklama ve bunları gerçek dünya uygulamalarında bilgi elde etme ve tahminler oluşturma için etkili bir şekilde entegre etme yetenekleriyle dikkatleri üzerine toplamışlardır.
- GNN model tasarımı temel olarak dört işlem adımından oluşmaktadır. İlk adım grafiğin yapısını bulmak, ikinci adım grafiğin tipi ve ölçeğini belirlemek, üçüncü adım tasarım kayıp fonksiyonunu hesaplamak ve son adımda hesaplama modülleri kullanılarak tasarımı tamamlamak şeklindedir
Hadi karmaşık bir Graf veri seti olan “Sorunlu Gen Ağı” hakkında bilgi edinelim. Bu, 1777 düğüm ve 7491 kenar içeriyor. Aşağıdaki birbirleriyle ilişkilendirilmiş bilinen bozukluk-gen ilişkileri tarafından bağlantılı bozukluklar ve hastalık genlerinin ağı, birçok hastalığın ortak genetik kökenini gösteriyor. Benzer bozukluklarla ilişkili genler, hem ürünleri arasında daha yüksek etkileşim olasılığı hem de kodlamaları için daha yüksek ifade profili benzerliği göstererek farklı hastalığa özgü fonksiyonel modüllerin varlığını desteklemektedir.
Grafik Türleri
Bu bölümde GNN türlerini ve çeşitlerini inceleyeceğiz
Yoğun Grafik Yayılımı (DGP)
- Yönlendirilmiş grafiklerde kenar bilgilerini kullanan bir GNN türüdür.
- Bir sosyal ağdaki kullanıcı etkileşimlerini modellemek için DGP kullanılabilir. Kenarların yönü, etkileşimin kimden kime olduğunu gösterir ve kenarların ağırlığı, etkileşimin gücünü gösterir
Heterojen Grafikler
- Farklı düğüm ve kenar türlerinden oluşan grafiklerdir.
- Bir e-ticaret web sitesindeki ürünler, kullanıcılar ve satın alma işlemleri bir heterojen grafik oluşturabilir. Ürünler ve kullanıcılar düğümler, satın alma işlemleri ise kenarlardır.
Heterojen Grafik Dönüştürücü (HGT)
- Heterojen grafikler için ilk web ölçeğinde GNN modelidir. Büyük ölçekli veri kümelerinde yüksek performans ve verimlilik sunar.
- Farklı türdeki biyolojik moleküller arasındaki ilişkileri modellemek için kullanılabilir. Bu, yeni ilaçların geliştirilmesine yardımcı olabilir.
Heterojen Grafik Sinir Ağı (HetGNN)
- Grafik madenciliği ve modelleme görevleri için tasarlanmış bir HetGNN modelidir.
- Farklı düğüm ve kenar türleri arasındaki ilişkileri modellemede etkilidir.
- Müşterilerin satın alma geçmişine ve demografik bilgilerine dayalı olarak farklı segmentlere ayrılmasına yardımcı olabilir.
İlişkisel Evrişimli Sinir Ağları (R-GCN)
- Bilgi grafiklerinden faydalanmak için geliştirilmiş bir GNN modelidir.
- Varlıklar ve ilişkiler arasındaki karmaşık ilişkileri modellemede başarılıdır.
- Tavsiye sistemleri buna örnek gösterebilir.
Geçitli Grafik Sinir Ağları (GGNN)
- Doğal dil işleme için geliştirilmiş bir GNN modelidir.
- Bir metnin sentaks analizini yapmak. GGNN, kelimeler arasındaki ilişkileri analiz ederek bir metnin anlamını daha iyi anlamaya yardımcı olabilir.
Çok Boyutlu Grafik Sinir Ağı (mGCN)
- Düğümlerin birden fazla kenarla ilişkili olduğu çok boyutlu grafikler için geliştirilmiş bir GNN modelidir.
- Bir molekülün 3 boyutlu yapısını modellemek. mGCN, moleküllerdeki atomlar arasındaki ilişkileri modellemek için kullanılabilir.
Difüzyon Evrişimli Tekrarlayan Sinir Ağı (DCRNN)
- Zamana bağlı olarak değişen grafikler için ilk GNN modelidir.
- Trafik modelleri gibi karmaşık zaman serisi tahminleri için kullanılır.
Mekansal-Zamansal Grafik Evrişimsel Ağlar (STGNN)
- Trafik analizini zamansal ve mekansal olarak ele alan bir GNN modelidir.
- Şehirdeki insan hareketlerini modellemek. Hem zamansal hem de mekansal bilgileri kullanarak insan hareketlerini tahmin edebilir.
Yapısal RNN
- Uzay-zaman grafiklerinde gerçek dünya uygulamaları için geliştirilmiş bir GNN modelidir.
- Bir robotun kol hareketlerini kontrol etmek. Robotun eklemleri arasındaki ilişkileri modellemek için kullanılabilir.
Mekansal-Zamansal Grafik Evrişim Ağları (ST-GCN)
- İnsan eylemlerini modellemek için geliştirilmiş bir GNN modelidir.
- Bir videodaki insan hareketlerini tanımak. Videodaki nesnelerin konumlarını ve hareketlerini izlemek için kullanılabilir.
Dinamik Grafik Evrişimli Ağlar (DGNN)
- LSTM ve GCN’leri birleştiren bir GNN modelidir.
- Zamansal değişime göre en yüksek faydayı sağlamaya çalışır.
- Bir finansal piyasadaki fiyat değişimlerini tahmin etmek. DGNN, zamana bağlı olarak değişen grafikleri modellemek için kullanılabilir.
Evrim Geçiren Grafik Evrişim Ağları (EvolveGCN)
- Zamansal grafiklerdeki düğüm farklılığından kaynaklanan sorunları çözmek için geliştirilmiş bir GNN modelidir.
- Bir sosyal ağdaki kullanıcıların davranışlarını zaman içinde modellemek. EvolveGCN, zamana bağlı olarak değişen grafiklerdeki düğüm farklılığından kaynaklanan sorunları çözmek için kullanılabilir.
Bunlar kısacası GNN türleri, bundan çok daha fazlası var ama bu yazımda sadece bir kısmını belirtmek istedim.
Şimdi ise daha detaylı örnekler vermek istiyorum
Yazılarda Graflar
Yazıları, düğümler olarak her bir karakter, kelime veya jetonu ilişkilendirerek ve metni veya görüntüyü bu dizinlerin bir dizisi olarak temsil ederek dijitalleştirebiliriz. Bu, her karakterin veya dizinin bir düğüm olduğu ve onu takip eden düğüme bir kenarla bağlandığı basit bir yönlendirilmiş grafik oluşturur.
Kediler köpeklerden daha sevimlidir.
Kediler -> köpeklerden -> daha ->sevimlidirYukarıdaki grafik temsili, “Kediler” kelimesinin “sevimli” sıfatıyla ilişkili olduğunu ve “köpeklerden” kelimesiyle karşılaştırıldığını gösterir. Benzer şekilde, grafik temsilleri, bir görüntünün nesneler, renkler ve dokular açısından nasıl yapılandığını anlamayı kolaylaştırabilir.
Doğada Grafik Değerli Veriler
Grafikler, halihazırda aşina olabileceğiniz verileri tanımlamak için kullanışlı bir araçtır. Daha heterojen bir şekilde yapılandırılmış verilere geçelim. Bu örneklerde, her düğümün komşu sayısı değişkendir (görüntülerin ve metnin sabit komşuluk boyutunun aksine). Bu verileri bir grafik dışında herhangi bir şekilde ifade etmek zordur.
Moleküller Grafik Olarak
Moleküller maddenin yapı taşlarıdır ve 3 boyutlu uzayda atomlardan ve elektronlardan oluşurlar. Tüm parçacıklar etkileşime girer, ancak bir çift atom birbirinden sabit bir mesafede sıkışıp kaldığında, kovalent bir bağ paylaştıklarını söyleriz. Farklı atom çiftleri ve bağlar farklı mesafelere sahiptir (örn. tek bağlar, çift bağlar). Bu 3 boyutlu nesneyi, düğümlerin atomlar ve kenarların kovalent bağlar olduğu bir grafik olarak tanımlamak çok kullanışlı ve yaygın bir soyutlamadır. İşte iki yaygın molekül ve bunlarla ilişkili grafikler
Bu grafiksel gösterimler, atomlar arasındaki bağlantıları ve bağ uzunluklarını görselleştirmeyi kolaylaştırır. Ayrıca, moleküllerin 3 boyutlu yapılarını anlamamıza yardımcı olabilirler, örneğin ilaç tasarımında veya malzeme biliminde.
Sosyal Ağlar Grafik Olarak
Sosyal ağlar, insanların, kurumların ve kuruluşların kolektif davranışlarındaki kalıpları incelemek için kullanılan araçlardır. Bireyleri düğümler, ilişkilerini ise kenarlar olarak modelleyerek gruplarını temsil eden bir grafik oluşturabiliriz.
Bu grafikten, “Alice”in “Bob” ile eşleştiğini, “Carol” ve “Dave”in ise ortak eşleşmeleri olduğunu görebiliriz. Bu bilgiler, Tinder’daki eşleşme kalıplarını ve kullanıcı davranışlarını anlamamıza yardımcı olabilir. Bu grafiksel gösterim, Tinder’daki bağlantıları ve etkileşimleri görselleştirmeyi kolaylaştırır. Ayrıca, uygulama içindeki kalıpları ve dinamikleri analiz etmemize yardımcı olabilir.
Grafikler ve Grafik Sinir Ağları (GNN’ler), verilerin ilişkisel yapısını modelleme ve analiz etme konusunda oldukça güçlü araçlardır. GNN’ler, grafik sınıflandırma, düğüm sınıflandırma, grafik oluşturma ve öneri sistemleri gibi çeşitli görevlerde etkili bir şekilde kullanılabilirler. Sonuç olarak, grafikler ve GNN’ler, veri analizi ve modelleme için çeşitli uygulama alanlarında güçlü araçlar sunar. Bu teknolojilerin gelişimi, gelecekte daha karmaşık veri yapılarının daha verimli bir şekilde modellenmesine ve analiz edilmesine olanak sağlayacaktır.