Yarı-denetimli Grafik Sinir Ağı
Semi-supervised Graph Neural Network (GNN with Label Propagation) · Ayrıca şöyle bilinir: Semi-supervised GNN, GNN semi-supervised learning, graph-based semi-supervised classification, semi-supervised node classification
Bir yarı-denetimli grafik sinir ağı (GNN), yalnızca az sayıda düğümün etiket taşıdığı bir graf üzerinde bir GNN eğitir; bu yaklaşım, komşuluk mesajı geçirme yoluyla bilgiyi etiketli düğümlerden etiketsiz olanlara yayar. Kipf ve Welling'in 2017 tarihli Grafik Evrişimsel Ağı ile popülerleşen bu yöntem, etiketli örneklerin az olduğu durumlarda bile yüksek düğüm sınıflandırma doğruluğu elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verileriniz doğal olarak graf yapısındaysa — atıf ağları, sosyal ağlar, bilgi grafikleri, moleküler grafikler, kullanıcı-öğe etkileşim grafikleri — ve etiketli örnekler pahalı veya seyrekse (genellikle düğümlerin %5'inden azı) yarı-denetimli bir GNN kullanın. Etiketlerin az olduğu durumlarda tamamen denetimli GNN'lerden daha iyi performans gösterir ve düğüm özellikleri bilgilendirici olduğunda klasik etiket yaymadan daha iyi performans gösterir. Graf çok küçükse (birkaç yüz düğümden az), homofili varsayımı zayıfsa (bağlı düğümler aynı sınıfa ait olma eğiliminde değilse) veya güvenilir bir graf yapısı yoksa ve oluşturulan bir k-NN grafiği gürültülü olacaksa kullanmayın. Doğal bir graf yapısı olmayan tablo verileri genellikle standart denetimli modellerle daha iyi işlenir.
Güçlü yönler & sınırlılıklar
- Hem graf topolojisini hem de düğüm özelliklerini kullanır, iki tamamlayıcı bilgi kaynağını birleştirir.
- Çok az etiketli örnekle rekabetçi doğruluk elde eder — bazen sınıf başına yalnızca 20 etiket.
- GraphSAGE ve GraphSAINT gibi mini-batch varyantlarıyla milyonlarca düğüme ölçeklenir.
- Düğüm özelliği heterojenliğini ve değişen düğüm derecelerini doğal olarak işler.
- Öğrenilen temsiller, düğüm sınıflandırmanın ötesinde bağlantı tahmini ve graf sınıflandırma dahil olmak üzere aşağı akış görevleri için yeniden kullanılabilir.
- Transdüktif GCN, eğitim sırasında tam grafiği gerektirir ve tamamen izole yeni düğümler için önemsiz bir şekilde tahmin yapamaz.
- Bağlı düğümlerin farklı sınıflara ait olduğu heterofilik grafiklerde performans düşer.
- Daha derin GNN'ler aşırı yumuşatmadan muzdariptir: düğüm temsilleri birçok mesaj geçirme katmanından sonra ayırt edilemez hale gelir.
- Grafik olmayan verilerden anlamlı bir graf oluşturmak, sonuçları güçlü bir şekilde etkileyen ek bir modelleme seçimi getirir.
SSS
Genellikle kaç etiketli düğüm gereklidir?
Kipf ve Welling, standart atıf benchmarklarında sınıflar başına yalnızca 20 etiketle güçlü sonuçlar gösterdi, ancak daha fazla etiket eklendikçe performans istikrarlı bir şekilde iyileşir. Minimum gereksinim, grafın boyutuna, özelliklerin bilgilendiriciliğine ve sınıfların ayrılabilirliğine bağlıdır.
Bu, tamamen denetimli bir GNN'den nasıl farklıdır?
Tamamen denetimli bir GNN, yalnızca etiketli düğümler üzerinde kayıp hesaplar ancak büyük bir etiketli kümeye sahip olduğu varsayılır. Yarı-denetimli GNN'ler, özellikle etiketli düğümlerin grafın çok küçük bir kesirini oluşturduğu rejim için tasarlanmış ve değerlendirilmiştir ve etiketsiz komşuların yapısal bağlamından açıkça yararlanırlar.
Grafım heterofilikse ne olur?
Standart GCN tarzı toplama, bağlı düğümlerin aynı sınıfa ait olduğunu varsayar. Heterofilik grafiklerde, komşuları toplamak performansı olumsuz etkileyebilir. GPRGNN, H2GCN veya işaretli-grafik GNN'leri gibi mimariler heterofilik ortamlar için daha uygundur.
Grafik olmayan verilere uygulayabilir miyim?
Evet, özellik benzerliği üzerinde bir k-en yakın komşu grafiği oluşturarak. Ancak, öğrenilen temsillerin kalitesi, sonuçta ortaya çıkan grafın anlamlı bir yapıyı yansıtıp yansıtmadığına büyük ölçüde bağlıdır. Gürültülü oluşturulmuş grafikler yardımcı olmak yerine zarar verebilir.
Aşırı yumuşatmayı nasıl önlerim?
Sığ mimariler (2-3 katman) kullanın, artık bağlantılar ekleyin, DropEdge veya PairNorm düzenlileştirmesi uygulayın veya yalnızca son katmandan ziyade tüm katmanlardan temsilleri toplayan atlayan bilgi ağlarını kullanın.
Kaynaklar
- Kipf, T. N., & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. International Conference on Learning Representations (ICLR 2017). link ↗
- Zhou, D., Bousquet, O., Lal, T. N., Weston, J., & Scholkopf, B. (2004). Learning with Local and Global Consistency. Advances in Neural Information Processing Systems (NeurIPS 2004), 17. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Graph Neural Network (GNN with Label Propagation). ScholarGate. https://scholargate.app/tr/deep-learning/semi-supervised-graph-neural-network
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çizge Evrişimsel Ağ (GCN)Derin öğrenme↔ karşılaştır
- Graf Sinir AğıAğ analizi↔ karşılaştır
- Etiket YayılımıMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır