Čime se GNN razlikuju od klasičnih algoritama na grafovima (PageRank, label propagation)?

Graf neuronske mreže (GNN) razlikuju se od klasičnih algoritama na grafovima, kao što su PageRank ili širenje oznaka, prvenstveno po svojoj sposobnosti da uče i generalizuju na osnovu podataka.

• Sposobnost učenja: GNN su neuronske mreže koje se treniraju na grafičkim podacima, automatski izvlačeći karakteristike i zavisnosti. Klasični algoritmi obično imaju fiksnu logiku i ne uče.

• Fleksibilnost prikaza: GNN mogu koristiti različite tipove karakteristika vrhova i ivica, kao i uzimati u obzir složene nelinearne zavisnosti, dok klasični algoritmi često rade samo sa strukturom grafa.

• Generalizacija: GNN su sposobne da generalizuju znanje na nove grafove ili čvorove, što je važno za zadatke predviđanja. Klasični algoritmi obično rešavaju specifične zadatke, poput rangiranja (PageRank) ili širenja oznaka, bez učenja.

• Arhitektura: GNN se zasnivaju na ideji agregacije informacija od suseda (message passing), što omogućava efikasno uzimanje u obzir lokalne strukture i karakteristika.

Primer: PageRank računa važnost čvorova na osnovu strukture linkova, bez učenja. GNN se mogu trenirati za predviđanje svojstava čvorova, koristeći kako strukturu, tako i karakteristike, prilagođavajući težine agregacije tokom treninga.