深度學習函式庫TensorFlow現在新增圖神經網路(Graph Neural Networks,GNN)函式庫TF-GNN,讓開發者可以更簡單地處理圖結構化資料。Google已經在垃圾郵件、異常偵測、流量評估和YouTube內容標記上,使用這個初始版本的圖神經網路函式庫。

Google在建構這個函式庫的時候,考量到自家的資料種類繁多,因此在設計上特別考量異構圖,現在Google發布這個圖,是希望與業界研究人員,在圖神經網路上進一步合作。

TensorFlow加入GNN的原因,官方解釋,這是因為無論是在現實世界或是工程系統中,圖無所不在,包括一組物件、地點或是人,之間的關係都能夠用圖來描述。通常在機器學習問題裡,資料都是結構化或是互相關聯,因此也適合以圖來描述。Google提到,GNN的研究基礎已經有數十年歷史,但直到最近,GNN才真正又被注意,並且應用在交通預測、假新聞偵測、疾病傳播和物理模擬等現代應用上。

圖以節點來表達實體,而邊則代表著實體之間的關係,透過利用節點和邊,甚至是整個圖來描繪特性,進而儲存資訊,另外,圖還可以透過邊的方向性,來描述資訊和交通流。而GNN可以用來回答針對圖中特徵的問題,在圖的層次,GNN能夠預測整個圖的特徵,Google提到,GNN可以來識別圖裡的特定形狀,像是圖中的圓圈可能代表著密切的社交關係。

GNN也能被用於解決節點層級的問題,像是對圖的節點進行分類,或是以像是圖像分割的樣子,預測圖中的分區,最後,GNN也能夠被用在解決邊層級的問題,像是探索實體間的連接,或是使用GNN來修剪邊,以辨識物件在場景中的狀態。

新加入TensorFlow的這個新函式庫TF-GNN,提供用戶在TensorFlow實作GNN模型的建構模塊,以及處理圖資料的工具。TF-GNN函式庫的初始版本具有許多實用的程序和功能,使得初學者和有經驗用戶都能夠輕易地使用,TF-GNN提供了一個Keras樣式的API,能夠創建和其他類型模型組合的GNN模型。Google解釋,GNN常見的使用情境,會與排序、深度檢索,或是其他圖像和文字模型混合使用。

TF-GNN也有用於異構圖的GNN API,官方解釋,在Google和現實世界中,許多圖的問題都包含不同類型的節點和邊,因此TF-GNN提供了一種方法,可以簡單地在此情況建模。TF-GNN使用GraphTensor類型,這是一種保存圖資料的格式,能夠支援批次處理。開發者現在已經可以在TF-GNN的GitHub儲存庫,取得函式庫以及更多資訊,甚至能夠參與維護。

熱門新聞

Advertisement