Grafneuralt netværk — GCN / GAT / GraphSAGE

Et grafneuralt netværk (GNN) er en dyb læringsarkitektur, der opererer direkte på grafstrukturerede data ved at kombinere knudepunktsfunktioner med strukturel information gennem iterativ nabomeddelelsesoverførsel. De tre kanoniske varianter — det grafkonvolutionelle netværk (GCN) introduceret af Kipf og Welling i 2017, det grafopmærksomhedsnetværk (GAT) introduceret af Veličković et al. i 2018, og GraphSAGE — adskiller sig i, hvordan de aggregerer naboinformation: GCN anvender spektral konvolution over den fulde adjacens, GAT vægter naboer med lærte opmærksomhedsscores, og GraphSAGE sampler og aggregerer lokale naboskaber induktivt, hvilket muliggør generalisering til usete knudepunkter.