Изменения

При работе с естественными языками, обработке и анализе изображений, построении моделей веб-сетей и еще широком спектре прикладных задач, бывает удобно представлять данные в виде графов: {|align="center" |-valign="top" |[[Файл:Social_network. PNG|250px|thumb|Социальные сети]] |[[Файл:TextGNN.PNG|thumb|540px|Анализ текста]] |[[Файл:MoleculeGNN.PNG|400px|thumb|Молекулы]] |} Однако для традиционных методов машинного обучения необходимо предварительно преобразовывать графово структурированные данные в другие структуры данных, к примеру числовой вектор. Такой подход может привести к потере части информации, заключающейся во взаиморасположении узлов сети.

'''Граф ''' – это структура данных, состоящая из двух компонентов: вершин и ребер. Граф <tex>G </tex> описывается множеством вершин (узлов) <tex>V </tex> и ребер <tex>E</tex>, которые он содержит <tex>G = (V,E)</tex>.

[[Файл:TextGNNGNNanimation.PNGgif|thumb|400px240px|Пример графа для анализа текста.GNN классификация]]Использование GNN позволяет обрабатывать графово структурированную информацию работать с данными графов, без стадии предварительной обработки, сохраняя таким образом . Такой подход позволяет сохранить топологические отношения между узлами графа. Графовые нейронные сети основаны на механизме  В основе GNN заложен механизм распространения информации, т.е. граф Граф обрабатывается набором модулей, которые связаны между собой в соответствии со связями графа. Также каждый из которых модулей связан с узлом узлами графа. В свою очередь процессе обучения, модули связаны в соответствии со связями графа. Модули обновляют свое состояние свои состояния и обмениваются информацией . Это продолжается до тех пор, пока модули не достигнут устойчивого равновесия(для того, чтобы была гарантия того, что такое устойчивое состояние существует, этот механизм распространения ограничен). Выходные данные GNN вычисляются в каждом узле на основе состояния модуляна каждом узле.  == Развитие == В последние годы системы, основанные на вариантах графовых нейронных сетей, таких как '''GCN (graph convolutional network)''', '''GAT (graph attention network)''', '''GGNN (gated graph neural network)''', продемонстрировали высокую производительность при решении многих задач. '''GCN''' применяют в задачах классификации текстовых данных, изображений, болезней и прогнозировании побочных эффектов. Механизм распространения ограничен'''GAT''' применяют для классификации текста, обнаружения объектов на изображениях, чтобы гарантироватьзадач комбинаторной оптимизации. '''GGNN''' применяют в задачах нейронного машинного перевода, что уникальное устойчивое состояние всегда существуетдля анализа социальных отношений.