Učení na relačných datech

Grafová neuronová síť

Graph neural network je neuronová architektura určená pro data reprezentované uzlami, hranami a jejich atributy. Typická message passing vrstva vytvoří správy ze sousedů, agreguje jejich operací nezávislou od pořadí a aktualizuje stav uzla. Opakováním vrstev se rozširuje dosah informace. GNN řeší klasifikaci uzlů, predikci hrán, doporučení i úlohy na celém grafu. Výsledek závisí na konštrukce grafu a dostupných hrán. Příliš mnoho vrstev může vést k oversmoothingu, dlouhé vzdálenosti k oversquashingu a nesprávně časové hrany k úniku budoucích informací.

Poslední odborná revize
7. srpna 2026
Odborný garant
Miroslav Schmiedt
ID
AI-GEO-G-22

Odborná definice

Odborná definice

Graph neural network je neuronová architektura určená pro data reprezentované uzlami, hranami a jejich atributy. Typická message passing vrstva vytvoří správy ze sousedů, agreguje jejich operací nezávislou od pořadí a aktualizuje stav uzla. Opakováním vrstev se rozširuje dosah informace. GNN řeší klasifikaci uzlů, predikci hrán, doporučení i úlohy na celém grafu. Výsledek závisí na konštrukce grafu a dostupných hrán. Příliš mnoho vrstev může vést k oversmoothingu, dlouhé vzdálenosti k oversquashingu a nesprávně časové hrany k úniku budoucích informací.

Srozumitelné vysvětlení

Srozumitelné vysvětlení

Při podvodoch nestačí poznat vlastnosti jednoho účtu. Důležité je, s zatímco obchoduje, přes které zařízení a jak se vztahy prepájají. GNN nechá každý uzel získat správu od sousedů a postupně vytvoří reprezentaci jeho okolia. Po dvou vrstvách může účet obsahovat informaci o susedoch sousedů. Graf však není automaticky pravdivý model sveta. Pokud hrany spojují lidí pouze podle společné IP adresy, mohou sloučit rodinu, kanceláriu i verejnou síť. Kvalita predikce proto stojí na definícii uzlů, časovém režime a pravidlách tvorby vztahů.

Časté otázky

Časté otázky

Jaké vstupy potřebuje GNN?

Grafovou strukturu a podle úlohy vlastnosti uzlů, hrán nebo celého grafu. Chybějící atributy lze nahradit naučenými embeddingmi, ale samotná konektivita musí mít vecný význam.

Jaké výstupy může GNN produkovat?

Třídu nebo regresi pro uzel, pravděpodobnost hrany, embedding, doporučení nebo predikci pro celý graf, například vlastnost molekuly. Readout vrstva agreguje uzly při grafovej úloze.

Proč je konštrukce grafu kritická?

Hrana určuje, kadial se šíří informace. Falešné vezby miešají nesúvisiace entity, chybějící vezby oddelují relevantní kontext a časovo nesprávně vezby mohou prezradit budúcnost.

Co je oversmoothing?

Po mnoha message passing vrstvách se reprezentace susedných uzlů stanou příliš podobné a model ztrácí schopnost rozlišovat. Pomáhají reziduální spojení, normalizace a omezená hloubka.

Jak se GNN hodnotí bez úniku hrán?

Rozdělení dat musí respektovat čas, entity a způsob tvorby grafu. Při link prediction se odstraní cílové hrany a preverí se, či pomocné atributy neobsahují stejnou informaci nepřímo.

Související pojmy

Související pojmy

Zdroje a redakční stopa

Zdroje a redakční stopa

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.