GNNs là gì? Nếu bạn là một người am hiểu về Machine Learning hay Deep Learning chắc hẳn sẽ không còn lạ gì về khái niệm trên. Để cung cấp cho bạn đọc cái nhìn cụ thể về khái niệm GNNs, bạn đọc có thể tham khảo bài viết ngay sau đây đã được MC&TT biên soạn!
1. GNNs là gì?
GNNs hay Graph neural networks là phương pháp Deep Learning áp dụng mạng thần kinh đồ thị, được thiết kế để thực hiện suy luận trên dữ liệu được mô tả bằng biểu đồ. Trong cấu trúc GNN, các điểm dữ liệu được gọi là nút và liên kết với các phần tử được biểu thị bằng toán học bằng các đường (Cạnh). Qua đó các thuật toán Machine Learning có thể thực hiện các tác vụ dự đoán ở cấp độ nút, cấp độ cạnh và cấp độ biểu đồ.
GNNs được thiết kế để thực hiện suy luận trên dữ liệu được mô tả bằng biểu đồ
2. Lịch sử ra đời của GNNs?
Các mốc thời gian lịch sử về sự ra đời của GNNs bao gồm:
- Khái niệm GNNs được biết đến lần đầu vào năm 2009 qua một bài báo ghi lại một cuộc nghiên cứu của các nhà khoa học Ý. Tuy nhiên phải mất đến 8 năm thì sức mạnh và khả năng của GNNs mới được thể hiện rõ ràng bởi hai nhà nghiên cứu ở Amsterdam với một biến thể mà họ gọi là mạng tích chập đồ thị (GCN).
- Để giải thích ngắn gọn về mạng tích chập đồ thị thì GCN là phương pháp áp dụng mạng thần kinh cho dữ liệu có cấu trúc đồ thị. GCN đơn giản nhất thường có ba thuật toán thông dụng như: Tích chập đồ thị, kích hoạt hàm tuyến tính, kích hoạt hàm phi tuyến tính.
- GCN là công trình truyền cảm hứng cho sự ra đời của GraphSage - Một biến thể của GNNs mang tới những cách thức mới mà chức năng truyền tin nhắn có thể hoạt động. Sự ra đời của GraphSage nhờ vào Leskovec và hai sinh viên tốt nghiệp Stanford.
- Năm 2017 GraphSage đã được áp dụng vào Pinterest dưới biến thể PinSage - Một hệ thống GNNs với 3 tỷ nút và 18 tỷ cạnh, vượt trội hơn các mô hình AI lúc đó rất nhiều lần.
Mạng tích chập đồ thị thì GCN
3. Cách thức hoạt động của GNNs
GNNs là phương pháp Deep Learning sử dụng đồ thị không có cấu trúc. Vì vậy GNNs có thể chứa bất kỳ loại dữ liệu nào, bao gồm cả hình ảnh và văn bản thay vì chỉ dừng lại ở các loại dữ liệu có cấu trúc dạng chuỗi từ hoặc lưới pixel như Deep Learning thông thường.
Cụ thể cách thức hoạt động của GNNs được diễn ra với quy trình mang tên chuyển thông báo, các biểu đồ sẽ được tổ chức để các thuật toán Machine Learning có thể sử dụng.
GNNs sử dụng phép toán thưa thớt và các mô hình thường chỉ có hai hoặc ba lớp.
Mô phỏng cách thức cách thức hoạt động của GNNs
4. Ứng dụng thực tế của GNNs
Các GNNs (Graph Neural Networks) được sử dụng để giải quyết các tác vụ trên dữ liệu được biểu diễn dưới dạng đồ thị. Sau đây là một số ứng dụng của GNNs:
- Phân loại đồ thị: GNNs được sử dụng để phân loại các đồ thị dựa trên các thuộc tính của các đỉnh và cạnh. Ví dụ, trong các ứng dụng như phát hiện các cuộc tấn công của tin tặc, GNNs có thể được sử dụng để phân loại các mạng lưới tin tặc dựa trên các thuộc tính của các tài khoản và các liên kết giữa chúng.
- Dự đoán sự xuất hiện của đỉnh mới: GNNs có thể được sử dụng để dự đoán sự xuất hiện của các đỉnh mới trong một đồ thị. Ví dụ, trong các ứng dụng như các mạng xã hội, GNNs có thể được sử dụng để dự đoán sự xuất hiện của các người dùng mới dựa trên các mối quan hệ giữa các người dùng hiện tại.
- Xử lý ngôn ngữ tự nhiên: GNNs có thể được sử dụng để xử lý các câu văn hoặc đoạn văn được biểu diễn dưới dạng đồ thị. Ví dụ, trong các ứng dụng như phân loại văn bản, GNNs có thể được sử dụng để xác định cấu trúc của câu và các mối quan hệ giữa các từ để giúp cho việc phân loại văn bản chính xác hơn.
- Dự đoán tương tác phân tử: GNNs được sử dụng để dự đoán các tương tác phân tử dựa trên cấu trúc của phân tử và các thuộc tính liên quan đến chúng. Ví dụ, trong các ứng dụng như nghiên cứu các dạng thuốc mới, GNNs có thể được sử dụng để dự đoán sự tương tác giữa các phân tử để giúp cho việc nghiên cứu thuốc hiệu quả hơn.
- GNNs trong quản lý giao thông: Dự báo tốc độ, lưu lượng phương tiện tham gia giao thông hoặc mật độ đường trong mạng lưới giao thông cũng là một trong nhiều ứng dụng của GNNs.
- Ứng dụng phân loại hình ảnh: GNNs sẽ tạo ra đồ thị cảnh nhằm mục đích phân tích một hình ảnh thành một đồ thị ngữ nghĩa bao gồm các đối tượng và các mối quan hệ ngữ nghĩa của chúng.
Một số ứng dụng thực tế của GNNs
5. Tổng kết
Hi vọng rằng bạn đọc đã có đầy đủ thông tin bổ ích để hiểu rõ GNNs là gì cùng những áp dụng vào trong thực tế hiện nay của mạng thần kinh đồ thị. Nếu còn bất kỳ thắc mắc nào, bạn đọc có thể liên hệ ngay cho chúng tôi để nhận được hỗ trợ giải đáp tốt nhất.