General Graph Tasks

وظایف گراف کلی در یادگیری ماشین

گراف ماشین یادگیری (GML) شامل انواع وظایف با هدف استخراج بینش و پیش‌بینی از داده‌های ساختار یافته گراف است. این وظایف به طور کلی به وظایف سطح گره، سطح لبه (پیوند)، و سطح گراف و همچنین رویکردهای یادگیری بدون نظارت مانند خوشه‌بندی و یادگیری بازنمایی دسته‌بندی می‌شوند. در زیر یک نمای کلی از رایج‌ترین وظایف گراف کلی آورده شده است:

1. وظایف سطح گره: وظایف سطح گره بر پیش‌بینی ویژگی‌ها یا برچسب‌ها برای گره‌های منفرد در یک گراف تمرکز دارند.

دسته‌بندی گره:

 - برچسب یا دسته گره را بر اساس ویژگی‌های آن و ساختار گراف پیش‌بینی می‌کند.

 - مثال: طبقه‌بندی کاربران در یک شبکه اجتماعی به عنوان "اسپمر" یا "غیر هرزنامه".

 - برنامه‌ها: تشخیص تقلب، تجزیه و تحلیل شبکه‌های اجتماعی، سیستم‌های توصیه.

رگرسیون گره:

 - مقادیر پیوسته (به عنوان مثال، امتیازات یا رتبه‌بندی) را برای گره‌ها پیش‌بینی می‌کند.

 - مثال: پیش‌بینی امتیاز محبوبیت یک کاربر در یک شبکه.

2. وظایف سطح لبه: هدف وظایف سطح لبه پیش‌بینی روابط یا تعاملات بین گره‌ها است.

پیش‌بینی پیوند

 - پیش‌بینی می‌کند که آیا یک یال بین دو گره وجود دارد یا قدرت/نوع آن لبه.

 - مثال: توصیه به دوستان در شبکه‌های اجتماعی یا پیش‌بینی تعاملات پروتئین-پروتئین.

 - برنامه‌های کاربردی: سیستم‌های توصیه، وضوح موجودیت، بیوانفورماتیک.

دسته‌بندی لبه:

 - برچسب‌ها را به لبه‌ها اختصاص می‌دهد تا نوع یا دسته آنها را نشان دهد.

 - مثال: برچسب‌گذاری روابط در یک گراف دانش به عنوان "دوست"، "همکار" یا "خانواده".

3. وظایف سطح گراف: وظایف سطح گراف شامل پیش‌بینی کل گراف‌ها یا زیرگراف‌ها است.

دسته‌بندی گراف:

 - یک برچسب به کل گراف اختصاص می‌دهد.

 - مثال: دسته‌بندی مولکول‌ها به سمی یا غیر سمی بر اساس ساختار آنها.

 - کاربردها: کشف دارو، علم مواد، شیمی.

رگرسیون گراف:

 - خواص پیوسته برای گراف‌ها را پیش‌بینی می‌کند.

 - مثال: تخمین حلالیت یک ترکیب در طراحی دارو.

تولید گراف:

 - ایجاد گراف‌های جدید با ویژگی‌های خاص.

 - مثال: طراحی مولکول‌های جدید با خواص شیمیایی مطلوب.

4. وظایف آموزشی بدون نظارت: این وظایف نیازی به داده‌های برچسب‌دار ندارند و هدف آنها کشف الگوهای پنهان در گراف‌ها است.

آموزش بازنمایی:

 - تعبیه‌های کم‌بعد برای گره‌ها، لبه‌ها یا کل گراف‌ها را با حفظ اطلاعات ساختاری و ویژگی‌ها یاد می‌گیرد.

 - برنامه‌ها: استخراج ویژگی برای کارهای پایین دستی مانند دسته‌بندی یا خوشه‌بندی.

تشخیص انجمن:

 - گروه‌های متراکم گره‌ها را در یک گراف شناسایی می‌کند.

 - مثال: تشخیص انجمن‌ها در شبکه‌های اجتماعی یا ماژول‌های کاربردی در شبکه‌های بیولوژیکی.

 - برنامه‌های کاربردی: تجزیه و تحلیل شبکه‌های اجتماعی، کشف تقلب، زیست‌شناسی.

جستجوی شباهت:

 - شباهت بین گره‌ها، لبه‌ها یا زیرگراف‌ها را بر اساس ویژگی‌ها و اتصال آنها اندازه‌گیری می‌کند.

 - کاربردها: سیستم‌های توصیه، تشخیص ناهنجاری.

5. وظایف تحلیلی : در حالی که همیشه مبتنی بر یادگیری ماشین نیستند، این وظایف در تجزیه و تحلیل گراف اساسی هستند:

تحلیل مرکزیت:

 - گره‌های مهم یا تاثیرگذار را در یک گراف با استفاده از معیارهایی مانند درجه مرکزی یا PageRank شناسایی می‌کند.

 - کاربردها: بهینه‌سازی زنجیره تامین، برنامه‌ریزی زیرساخت.

راهیابی:

 - مسیرهای بهینه را بین گره‌ها بر اساس وزن لبه‌ها (به عنوان مثال، کوتاه‌ترین مسیر) پیدا می‌کند.

 - برنامه‌های کاربردی: لجستیک، شبکه‌های حمل و نقل.

نتیجه‌گیری

وظایف گراف عمومی طیف وسیعی از کاربردها را در صنایعی مانند شبکه‌های اجتماعی، زیست‌شناسی، تدارکات و سیستم‌های توصیه در بر می‌گیرد. این وظایف توسط هر دو رویکرد نظارت شده (به عنوان مثال، دسته‌بندی گره) و بدون نظارت (به عنوان مثال، تشخیص انجمن) پشتیبانی می‌شوند. شبکه‌های عصبی گراف (GNN) و گراف ترانسفورمرها به عنوان ابزارهای پیشرفته برای حل این وظایف با استفاده از اطلاعات ساختاری و رابطه‌ای ذاتی در گراف‌ها پدیدار شده‌اند.

[1] https://towardsdatascience.com/graph-machine-learning-an-overview-c996e53fab90?gi=58ec5f5b1f22

[2] https://arxiv.org/html/2201.01288v2

[3] https://linkurious.com/graph-machine-learning/

[4] https://towardsdatascience.com/machine-learning-tasks-on-graphs-7bc8f175119a

[5] https://www.techtarget.com/searchenterpriseai/definition/graph-neural-networks-GNNs

[6] https://huggingface.co/blog/intro-graphml

[7] https://neptune.ai/blog/graph-neural-network-and-some-of-gnn-applications