Czym różnią się GNN od klasycznych algorytmów na grafach (PageRank, propagacja etykiet)?

Sieci neuronowe grafów (GNN) różnią się od klasycznych algorytmów na grafach, takich jak PageRank czy propagacja etykiet, głównie swoją zdolnością do uczenia się i uogólniania na podstawie danych.

• Uczące się: GNN to sieci neuronowe, które są trenowane na danych grafowych, automatycznie wyodrębniając cechy i zależności. Klasyczne algorytmy zazwyczaj mają ustaloną logikę i się nie uczą.

• Elastyczność reprezentacji: GNN mogą używać różnych typów cech wierzchołków i krawędzi, a także uwzględniać złożone, nieliniowe zależności, podczas gdy klasyczne algorytmy często operują tylko na strukturze grafu.

• Uogólnianie: GNN są zdolne do uogólniania wiedzy na nowe grafy lub węzły, co jest ważne dla zadań predykcyjnych. Klasyczne algorytmy zazwyczaj rozwiązują konkretne zadania, takie jak ranking (PageRank) czy propagacja etykiet, bez uczenia się.

• Architektura: GNN opierają się na idei agregacji informacji od sąsiadów (message passing), co pozwala efektywnie uwzględniać lokalną strukturę i cechy.

Przykład: PageRank oblicza ważność węzłów na podstawie struktury linków, bez uczenia się. GNN mogą być trenowane do przewidywania właściwości węzłów, wykorzystując zarówno strukturę, jak i cechy, dostosowując wagi agregacji podczas treningu.