V čem se liší GNN od klasických algoritmů na grafech (PageRank, label propagation)?

Grafové neuronové sítě (GNN) se liší od klasických algoritmů na grafech, jako je PageRank nebo šíření štítků, především svou schopností učit se a generalizovat na základě dat.

• Schopnost učení: GNN jsou neuronové sítě, které se trénují na grafových datech, automaticky extrahují znaky a závislosti. Klasické algoritmy mají obvykle pevnou logiku a neučí se.

• Flexibilita reprezentace: GNN mohou používat různé typy znaků vrcholů a hran, stejně jako zohledňovat složité nelineární závislosti, zatímco klasické algoritmy často operují pouze se strukturou grafu.

• Obecné použití: GNN jsou schopny zobecnit znalosti na nové grafy nebo uzly, což je důležité pro úlohy předpovědi. Klasické algoritmy obvykle řeší konkrétní úkoly, například řazení (PageRank) nebo šíření štítků, bez učení.

• Architektura: GNN jsou založeny na myšlence agregace informací od sousedů (message passing), což umožňuje efektivně zohlednit místní strukturu a znaky.

Příklad: PageRank vypočítává důležitost uzlů na základě struktury odkazů, bez učení. GNN mohou být trénovány na předpověď vlastností uzlů, využívajíc jak strukturu, tak znaky, přizpůsobujíc váhy agregace během tréninku.