图神经网络全面解读定义原理与主要应用

近年来，图神经网络（GNN）在人工智能领域逐渐声名鹊起。通俗来说，这项技术将深度学习从海量数据中挖掘规律的能力，嵌入到“图”这种更丰富的数据结构里——所谓图，就是由“节点”和“边”构成的网状结构，用以刻画物体之间的关联关系。

这种融合往往能催生出全新的产物。就像手机与浏览器结合，最终演变为今天的智能手机一样。如今，开发者们正将AI发现规律的能力应用于大型图数据库——这类数据库不仅存储数据，还保存了数据点之间错综复杂的联系。两者结合，便诞生了一个相当强劲的新工具：图神经网络（GNN）。

什么是图神经网络

简单来说，GNN的核心使命就是让深度学习能够处理更为复杂的数据结构。这些结构将物体及其关系描述为一张图——点对应节点（node），线对应边（edge）。所有信息都以数学形式呈现，这样一来，机器学习算法就能在节点、边甚至整张图的层面，做出有意义的预测。

图神经网络能做什么

越来越多的企业正在借助GNN开展药物研发、欺诈检测与推荐系统等工作。这些场景背后有一个共同特征：需要从数据点之间的关联中寻找规律。与此同时，研究人员也在探索GNN在计算机图形学、网络安全、基因组学以及材料科学中的应用。近期一篇论文详细阐述了如何利用交通地图的图结构，更精准地预测到达时间。

实际上，许多科学与工业领域早已将高价值数据存入图数据库。如今，通过深度学习，他们可以训练出预测模型，从这些图中挖掘出前所未有的洞察。

许多科学和工业领域的知识都可以用图来表达

亚马逊云科技（AWS）高级首席科学家George Karypis在今年早些时候的一次讲座中指出：“GNN是深度学习研究中最受瞩目的领域之一，越来越多的应用正在借助它来提升性能。”这一观点获得了广泛认同。斯坦福大学副教授Jure Leskovec也补充道：“GNN之所以备受关注，是因为它能够为复杂的关系灵活建模，这是传统神经网络难以做到的。”他在演讲中还展示了一张AI相关论文的图表，其中明确提到了GNN。

谁在使用图神经网络？

早在2017年，亚马逊便已开始使用GNN进行欺诈检测。至2020年，亚马逊进一步推出了面向外部企业的GNN服务，用于欺诈检测、推荐系统等场景。为维护客户信任，亚马逊的搜索引擎借助NVIDIA GPU，通过GNN识别恶意卖家、买家及商品。该系统能够处理拥有数千万节点与数亿边的图，并将训练时间从24小时压缩至5小时。

生物制药公司葛兰素史克的AI全球负责人Kim Branson透露，他们维护着一个近5000亿节点的知识图谱，该图谱广泛应用于公司的机器学习模型。LinkedIn则利用GNN进行社交推荐，同时分析个人技能与对应职位之间的关联。

NVIDIA杰出工程师Joe Eaton将GNN称为“通用工具”，他们的团队每年都在开发新的应用场景。Eaton领导的团队致力于将加速计算技术应用于GNN。他直言：“我们甚至还没有触及GNN的冰山一角。”另一个能够说明GNN热度的证据是：Leskovec在斯坦福大学讲授GNN的课程视频，播放量已突破70万次。

GNN如何工作？

截至目前，深度学习最擅长的仍然是处理图像和文本。这两类数据都可以描述为有序结构——例如单词序列、像素网格。但图是非结构化的，形状和尺寸各异，还能包含图像、文本等任意类型的数据。GNN需要借助一个称为“信息传递”的流程，将图“规范”起来，从而使机器学习算法能够处理。

信息传递的本质，是把邻近节点的信息“嵌入”到当前节点中。嵌入后的信息便成为AI模型寻找规律和做出预测的依据。

三类GNN中的数据流示例

举个例子：推荐系统使用节点嵌入来匹配客户与产品；欺诈检测借助边缘嵌入发现可疑交易；药物发现模型则通过比较整个分子图，寻找反应路径。GNN还有一个独特之处：它采用稀疏数学，并且模型通常只有两三层。而其他AI模型往往使用密集数学，动辄包含数百层神经网络。

GNN流程在输入图后输出预测

GNN的发展史

“图神经网络”这一称谓最早出现在2009年意大利研究人员的一篇论文中。不过直到八年后，阿姆斯特丹的两位研究者才提出一个名为“图卷积网络”（GCN）的变体，真正展示了GNN的威力。GCN至今仍是广受欢迎的GNN模型之一。

GCN启发了Leskovec及其两位斯坦福研究生，他们共同创造了GraphSage——一种展示了信息传递新方式的GNN。2017年夏天，Leskovec便在Pinterest（当时他担任首席科学家）上进行了测试。

GraphSage开创了在GNN中传递信息的强大聚合技术

他们打造的PinSage是一个包含30亿节点和180亿边的推荐系统，性能超越了当时的其他AI模型。如今，Pinterest已将PinSage应用到公司100多个场景中。高级机器学习工程师Andrew Zhai有一句话颇为实在：“没有GNN，就不会有今天Pinterest的吸引力。”

此后，其他变体与混合体也纷纷涌现：图循环网络、图注意力网络（GAT）等。GAT借鉴了Transformer模型的注意力机制，帮助GNN将注意力集中在数据集中最相关的部分。

GNN变体家族树概览图

扩展图神经网络

从长远来看，GNN需要在多个方向上实现扩展。对于那些尚未维护图数据库的企业，需要一些工具来减轻创建这些复杂数据结构的工作量。而已经在使用图数据库的团队都知道，数据库在某些场景下会变得极其庞大，单个节点或边缘可能被嵌入成百上千个特征。这给数据加载带来了挑战——如何高效地将子系统中的海量数据集通过网络加载到处理器中。

Eaton表示：“我们正在提供多种产品，以最大限度地提升加速系统的内存、计算带宽和吞吐量，专门解决这些数据加载与扩展问题。”作为工作的一部分，NVIDIA在GTC上宣布，除了深度图库（DGL）之外，现在也支持PyTorch Geometric（PyG）。这是目前最流行的两个GNN软件框架。

NVIDIA提供多种工具加快GNN的构建

经过NVIDIA优化的DGL与PyG容器，均已针对NVIDIA GPU进行了性能调优和测试。它们为希望使用GNN开发应用的用户，提供了一个便捷的起步平台。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：图神经网络全面解读定义原理与主要应用要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题