زمان تخمینی مطالعه: 3 دقیقه
محققان گوگل یک کتابخانه جدید در TensorFlow به نام کتابخانه TensorFlow GNN 1.0 (TF-GNN) اضافه کردند که برای ساخت و آموزش شبکههای عصبی گراف (GNN) در مقیاس بزرگ در اکوسیستم TensorFlow طراحی شده است. این کتابخانه GNN میتواند ساختار و ویژگیهای نمودارها را پردازش کند و امکان پیشبینی روی گرهها، کل نمودارها یا لبههای بالقوه را فراهم کند.
شبکههای عصبی گراف (GNN) روشهای یادگیری عمیقی هستند که بر روی نمودارها عمل میکنند و برای انجام استنتاج بر روی دادههای توصیف شده توسط نمودارها استفاده میشوند. نمودارها برای مدت طولانی در ریاضیات و علوم کامپیوتر مورد استفاده قرار گرفتهاند و با تشکیل شبکهای از گرهها که توسط لبههایی به روشهای نامنظم مختلف به هم متصل شدهاند، برای مسائل پیچیده راهحل میدهند. الگوریتمهای سنتی ML تنها روابط منظم و یکنواختی را بین اشیاء ورودی اجازه میدهند، برای مدیریت روابط پیچیده تلاش میکنند و در درک اشیاء و اتصالات آنها که برای بسیاری از دادههای دنیای واقعی بسیار مهم است، ناتوان هستند.
در TF-GNN، نمودارها به صورت GraphTensor نمایش داده میشوند، مجموعهای از تانسورها در یک کلاس که شامل تمام ویژگیهای نمودارها گرهها، ویژگیهای هر گره، یالها و وزنها یا روابط بین گرهها میشود. این کتابخانه از نمودارهای ناهمگن پشتیبانی میکند، که به طور دقیق سناریوهای دنیای واقعی را نشان میدهد که در آن اشیاء و روابط آنها در انواع مجزایی هستند. در مورد مجموعه دادههای بزرگ، نمودار تشکیل شده دارای تعداد زیادی گره و اتصالات پیچیده است. برای آموزش کارآمد این شبکهها، TF-GNN از تکنیک نمونهگیری زیرگراف استفاده میکند که در آن بخش کوچکی از نمودارها با دادههای اصلی کافی برای محاسبه نتیجه GNN برای گره برچسبدار در مرکز آن و آموزش مدل آموزش داده میشوند.
معماری اصلی GNN مبتنی بر شبکههای عصبی پیامرسان است. در هر دور، گرهها پیامهایی را از همسایگان خود دریافت و پردازش میکنند، و به طور مکرر حالتهای پنهان خود را اصلاح میکنند تا اطلاعات انبوه را در همسایگی خود منعکس کنند. TF-GNN از GNN های آموزشی به دو روش نظارت شده و بدون نظارت پشتیبانی میکند. آموزش نظارت شده، تابع ضرر(Loss Function) را بر اساس مثالهای برچسبگذاری شده به حداقل میرساند، در حالی که آموزش بدون نظارت، نمایشهای پیوسته (جاسازیهای) ساختار گراف را برای استفاده در سایر سیستمهای ML ایجاد میکند.
کتابخانه TensorFlow GNN 1.0 (TF-GNN) نیاز به یک راه حل قوی و مقیاس پذیر برای ساخت و آموزش GNN ها را برطرف میکند. نقاط قوت کلیدی آن در توانایی آن در مدیریت نمودارهای ناهمگن، نمونه برداری کارآمد زیرگراف، ساخت مدل انعطاف پذیر و پشتیبانی از آموزش تحت نظارت و بدون نظارت نهفته است. با ادغام یکپارچه با اکوسیستم TensorFlow، TF-GNN به محققان و توسعه دهندگان این امکان را میدهد تا از قدرت GNN ها برای کارهای مختلف شامل تحلیل و پیش بینی شبکه پیچیده استفاده کنند.