AI Umum

Jaringan Saraf Graf TensorFlow GNN 1.0 (TF-GNN): Perpustakaan Teruji Produksi untuk Membangun GNN dalam Skala Besar

Pendahuluan

Jaringan Saraf Graf (GNN) adalah metode pembelajaran mendalam yang beroperasi pada graf dan digunakan untuk melakukan inferensi pada data yang digambarkan oleh graf. Graf telah digunakan dalam matematika dan ilmu komputer untuk waktu yang lama dan memberikan solusi untuk masalah kompleks dengan membentuk jaringan simpul yang dihubungkan oleh tepi dengan berbagai cara tidak beraturan. Algoritma ML tradisional hanya memungkinkan hubungan yang teratur dan seragam antara objek masukan, kesulitan menangani hubungan yang kompleks, dan gagal memahami objek dan koneksinya yang sangat penting untuk banyak data dunia nyata.

TensorFlow GNN 1.0 (TF-GNN)

Peneliti Google menambahkan perpustakaan baru di TensorFlow, yang disebut TensorFlow GNN 1.0 (TF-GNN) yang dirancang untuk membangun dan melatih jaringan saraf graf (GNN) dalam skala besar dalam ekosistem TensorFlow. Perpustakaan GNN ini mampu memproses struktur dan fitur graf, memungkinkan prediksi pada simpul individu, seluruh graf, atau tepi potensial.

Representasi Graf dalam TF-GNN

Dalam TF-GNN, graf direpresentasikan sebagai GraphTensor, kumpulan tensor di bawah satu kelas yang terdiri dari semua fitur graf — simpul, properti setiap simpul, tepi, dan bobot atau hubungan antar simpul. Perpustakaan ini mendukung graf heterogen, yang secara akurat mewakili skenario dunia nyata di mana objek dan hubungannya datang dalam jenis yang berbeda.

Subgraf Sampling untuk Pelatihan Efisien

Dalam kasus kumpulan data besar, graf yang terbentuk memiliki banyak simpul dan koneksi yang kompleks. Untuk melatih jaringan ini secara efisien, TF-GNN menggunakan teknik pengambilan sampel subgraf di mana sebagian kecil graf dilatih dengan cukup data asli untuk menghitung hasil GNN untuk simpul berlabel di pusatnya dan melatih model.

Arsitektur GNN

Arsitektur GNN inti didasarkan pada jaringan saraf penerusan pesan. Di setiap putaran, simpul menerima dan memproses pesan dari tetangganya, secara iteratif menyempurnakan status tersembunyi mereka untuk mencerminkan informasi agregat dalam lingkungan mereka.

Pelatihan GNN

TF-GNN mendukung pelatihan GNN baik secara diawasi maupun tanpa pengawasan. Pelatihan yang diawasi meminimalkan fungsi kerugian berdasarkan contoh berlabel, sementara pelatihan tanpa pengawasan menghasilkan representasi berkelanjutan (penyertaan) dari struktur graf untuk digunakan dalam sistem ML lainnya.

Manfaat TensorFlow GNN 1.0

TensorFlow GNN 1.0 menjawab kebutuhan akan solusi yang kuat dan terukur untuk membangun dan melatih GNN. Kekuatan utamanya terletak pada kemampuannya untuk menangani graf heterogen, pengambilan sampel subgraf yang efisien, pembuatan model yang fleksibel, dan dukungan untuk pelatihan yang diawasi dan tanpa pengawasan. Dengan integrasi yang mulus dengan ekosistem TensorFlow, TF-GNN memberdayakan peneliti dan pengembang untuk memanfaatkan kekuatan GNN untuk berbagai tugas yang melibatkan analisis jaringan kompleks dan prediksi.