شبکه‌های عصبی گرافی

بسیاری از داده‌هایی که در دنیای واقعی با آن‌ها سر و کار داریم، ساختاری بسیار پیچیده‌تر از آن دارند که بتوان آن‌ها را به‌صورت جداول ساده یا بردارهای عددی استاندارد نمایش داد. این داده‌ها که به نام «داده‌های گرافی» شناخته می‌شوند، ساختاری شبکه‌ای دارند و در قالب گره‌ها (Nodes) و یال‌ها (Edges) تعریف می‌شوند. شبکه‌های اجتماعی، ساختار مولکول‌ها، شبکه‌های ارتباطی، و حتی تعاملات میان اجزای نرم‌افزاری مثال‌هایی از این داده‌ها هستند. می‌توان گفت که این داده‌های در ساختارهای ناقالیدسی شکل گرفته‌اند.

روش‌های سنتی یادگیری ماشین و شبکه‌های عصبی عمیق، به‌طور معمول برای داده‌های ساختار یافته (مانند داده‌های جدولی یا تصویری) طراحی شده‌اند و در تحلیل داده‌های گرافی با مشکلات جدی روبه‌رو می‌شوند. برای مثال، این روش‌ها معمولاً نمی‌توانند روابط بین اجزای داده‌ها را به‌خوبی استخراج و مدل‌سازی کنند و در نتیجه اطلاعات مهمی از ساختار داده را نادیده می‌گیرند.

در پاسخ به این چالش‌ها، رویکرد نوینی تحت عنوان «شبکه‌های عصبی گرافی» یا Graph Neural Networks (GNN) معرفی شده است. GNNها به طور اختصاصی برای تحلیل مستقیم داده‌های گرافی طراحی شده‌اند. این شبکه‌ها قادرند اطلاعات گره‌ها و روابط بین آن‌ها را به‌طور همزمان مدل‌سازی کنند و به همین دلیل، به شکل قابل‌توجهی عملکرد بهتری در تحلیل داده‌های ساختاریافته و پیچیده دارند.