یادگیری ماشین گراف (GML)

شبکه‌های عصبی گراف (GNN) در علم داده و یادگیری ماشین مورد توجه قرار گرفته‌اند، اما هنوز در خارج از محافل متخصص به خوبی شناخته نشده‌اند. برای درک این رویکرد هیجان‌انگیز، باید با حوزه وسیع‌تر یادگیری ماشین گراف (GML) شروع کنیم. بسیاری از منابع آنلاین در مورد GNN و GML صحبت می‌کنند که گویی مفاهیم قابل تعویض هستند یا گویی GNNها یک رویکرد نوشدارویی هستند که سایر رویکردهای GML را منسوخ می‌کند ولی به این سادگی نیست. یکی از اهداف اصلی GML فشرده‌سازی ساختارهای داده گراف پراکنده بزرگ برای فعال کردن پیش‌بینی و استنتاج امکان‌پذیر است. GNNها یکی از راه‌های انجام این کار، شاید پیشرفته‌ترین راه، اما نه تنها راه هستند. درک این موضوع به ایجاد پایه بهتری برای بخش‌های آینده این مجموعه کمک می‌کند، جایی که ما انواع خاصی از GNN و رویکردهای GML مرتبط را با جزئیات بیشتری پوشش خواهیم داد.

در این وبلاگ به این موارد خواهیم پرداخت:

·         مروری کوتاه بر ساختارهای داده گراف داریم.

·         وظایف GML و انواع مسائلی که آنها حل می‌کنند را پوشش می‌دهیم.

·         مفهوم فشرده‌سازی و اهمیت آن در راه‌اندازی رویکردهای مختلف GML، از جمله GNNها را بررسی می‌کنیم.

·         وبسیاری از  مفاهیم و مطالب جذاب دیگر