Чем GNN отличаются от классических алгоритмов на графах (PageRank, label propagation)?

Graph Neural Networks (GNN) отличаются от классических алгоритмов на графах, таких как PageRank или label propagation, прежде всего своей способностью обучаться и обобщать на основе данных.

• Обучаемость: GNN — это нейронные сети, которые обучаются на графовых данных, автоматически извлекая признаки и зависимости. Классические алгоритмы обычно имеют фиксированную логику и не обучаются.

• Гибкость представления: GNN могут использовать различные типы признаков вершин и рёбер, а также учитывать сложные нелинейные зависимости, тогда как классические алгоритмы часто оперируют только структурой графа.

• Обобщение: GNN способны обобщать знания на новые графы или узлы, что важно для задач предсказания. Классические алгоритмы обычно решают конкретные задачи, например, ранжирование (PageRank) или распространение меток (label propagation), без обучения.

• Архитектура: GNN строятся на идее агрегации информации от соседей (message passing), что позволяет эффективно учитывать локальную структуру и признаки.

Пример: PageRank вычисляет важность узлов на основе структуры ссылок, без обучения. GNN же может обучаться предсказывать свойства узлов, используя как структуру, так и признаки, адаптируя веса агрегации в процессе обучения.