Çizge Evrişimsel Ağ (GCN)
Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification) · Ayrıca şöyle bilinir: GCN, graph convolutional network, spectral graph convolution, Kipf-Welling GCN, two-layer GCN
Çizge Evrişimsel Ağ (GCN), Thomas N. Kipf ve Max Welling tarafından ICLR 2017'de tanıtılan, çizge yapılı veriler için temel bir derin öğrenme mimarisidir. Birinci dereceden spektral yaklaşıklık yoluyla evrişim işlemini düzensiz çizge alanlarına genişleterek, her düğümün komşularından öznitelik bilgisini birleştirmesini sağlar. Model, yarı denetimli düğüm sınıflandırması için kanonik bir temel haline geldi ve modern çizge sinir ağı araştırma gündemini başlattı.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
GCN, verilerin açık bir ilişkisel yapıya sahip olduğu durumlarda — atıf ağları, sosyal çizgeler, moleküler çizgeler, bilgi çizgeleri — ve birincil görevin düğüm düzeyindeki özellikleri (sınıflar, puanlar) tahmin etmek olduğu durumlarda uygundur. Yöntem, tam çizgenin (etiketsiz düğümler dahil) eğitim zamanında mevcut olduğu ve düğüm etiketlerinin yalnızca küçük bir kısmının bilindiği transdüktif yarı denetimli ayarlara özellikle iyi uyarlanmıştır. Temel varsayımlar: çizge yönsüz ve homofiliktir (bağlı düğümler aynı sınıfı paylaşma eğilimindedir); düğüm öznitelikleri mevcuttur; çizge belleğe sığar. GCN, heterofilik çizgelerde, çok seyrek veya bağlantısız çizgelerde ve yeniden eğitim olmaksızın test zamanında tamamen yeni düğümlerin sınıflandırılması gereken endüktif görevlerde kötü performans gösterir.
Güçlü yönler & sınırlılıklar
- Çizge topolojisini ve düğüm özniteliklerini tek bir türevlenebilir modelde birleştirir, çok az etiketle güçlü yarı denetimli performans elde eder.
- Yayılım kuralı kenar sayısıyla doğrusal olarak ölçeklenir, bu da onu büyük seyrek çizgelerde uygulanabilir kılar.
- Az sayıda hiperparametreye sahip basit iki katmanlı mimari — güvenilir, uygulaması kolay bir temel.
- Spektral motivasyon, modeli spektral çizge teorisine bağlayan prensipli bir teorik temel sağlar.
- Alanlar arasında geniş çaplı uygulanabilirlik: atıf ağları, sosyal ağlar, moleküler özellik tahmini ve bilgi çizgeleri.
- Tasarım gereği transdüktif: tüm çizge (test düğümleri dahil) eğitim sırasında mevcut olmalıdır; standart GCN, eğitimden sonra eklenen yeni düğümlere veya görülmeyen çizgelere genelleme yapamaz.
- Çizge homofilisini varsayar — kenarlarla bağlı düğümlerin aynı etiketi paylaşması beklenir; heterofilik çizgelerde doğruluk önemli ölçüde düşer.
- Sabit komşuluk birleştirme ağırlıkları (derece normalizasyonundan türetilmiştir), dikkat tabanlı varyantların aksine, bireysel komşuların önemine uyum sağlamaz.
- Çok sayıda katmanı üst üste yığmak aşırı yumuşatmaya neden olur: düğüm temsilleri yakınsar ve ayırt edilemez hale gelir, bu nedenle derin GCN'ler (birkaç kattan fazla) genellikle düşük performans gösterir.
- Yayılım sırasında bellekte tam çizge komşuluk matrisini gerektirir, bu da mini-toplu örnekleme stratejileri olmadan çok büyük çizgelere ölçeklenebilirliği sınırlar.
SSS
Orijinal makalede GCN neden tam olarak iki katman kullanıyor?
Kipf ve Welling, ampirik olarak iki yayılım katmanının (iki atlamalı komşulukları yakalayan) kıyaslama testlerinde ifade gücü ve aşırı yumuşatma arasında en iyi dengeyi sağladığını buldu. Daha derin modeller, tekrarlanan komşuluk ortalaması giderek daha fazla örtüşen, geniş alıcı alanlardan bilgiyi karıştırdığı için düğüm gömmelerinin ayırt edilemez vektörlere yakınsamasına neden oldu.
GCN ile Çizge Dikkat Ağı (GAT) arasındaki fark nedir?
GCN, derece normalizasyonundan türetilen sabit ağırlıklar kullanarak komşuları birleştirir. GAT, her komşuya öğrenilebilir dikkat ağırlıkları atar, bu da modelin daha alakalı bağlantılara odaklanmasını sağlar. GAT, heterojen komşuluklarda genellikle daha ifade edicidir ancak parametre ve eğitim karmaşıklığı ekler.
GCN, çizge düzeyinde sınıflandırma için kullanılabilir mi (örneğin, tüm molekülleri sınıflandırma)?
Vanilla GCN, düğüm düzeyinde gömmeler üretir. Çizge düzeyindeki görevler için, tüm düğüm gömmelerinin toplanması veya ortalamasının alınması gibi bir okuma (havuzlama) adımı eklenir. Çizge İzomorfizm Ağı (GIN) veya hiyerarşik havuzlama yöntemleri gibi özel mimariler, kanıtlanabilir şekilde daha ifade edici oldukları için çizge sınıflandırması için genellikle tercih edilir.
GCN'nin etkili bir şekilde eğitilmesi için kaç etiketli düğüme ihtiyacı vardır?
Orijinal deneylerde, Kipf ve Welling, atıf ağlarında sınıf başına yalnızca 20 etiketli düğüm (tüm düğümlerin yaklaşık %0,5'i) kullandı ve yine de rekabetçi doğruluk elde etti. Çizge yapısı, denetleyici sinyali etiketsiz düğümlere yayar, bu da GCN'yi etiket bütçeleri çok küçük olduğunda düğüm sınıflandırması için özellikle veri açısından verimli hale getirir.
Kaynaklar
- Kipf, T. N., & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. Proceedings of the 5th International Conference on Learning Representations (ICLR 2017), Toulon, France. link ↗
- Hamilton, W. L. (2020). Graph Representation Learning. Morgan & Claypool (Synthesis Lectures on Artificial Intelligence and Machine Learning). ISBN: 978-1-68173-963-2
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/tr/deep-learning/graph-convolutional-network
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Graf Dikkat AğıDerin öğrenme↔ karşılaştır