Grafik verisi üzerinde derin öğrenme
Dünya düz değil — arkadaşlık ağları, moleküller, şehir haritaları hep düğümler ve bağlantılardan oluşur. Graph Neural Networks (GNN), bu düzensiz yapıları anlamak için tasarlanmış derin öğrenme mimarisidir. Pikseller yerine ilişkileri öğrenir.
Graf G = (V, E) şeklinde tanımlanır: **V** düğümler (nodes), **E** kenarlar (edges).…
📬Dedikodu Ağı
Bir köyde herkes komşularıyla dedikodu yapar. Her tur sonunda herkes duyduklarını birleştirir ve kendi görüşünü günceller. Birkaç tur sonra köyün diğer ucundaki haberi bile öğrenirsin. GNN tam olarak bunu yapar — bilgi katman katman yayılır.
GNN'in temel mekanizması: Her düğüm **komşularından mesaj toplar** ve kendi temsilini günc…
h_v^(k+1) = σ(W · AGG({h_u^(k) : u ∈ N(v)}) + B · h_v^(k))Düğüm v'nin k+1. katmandaki temsili: komşu temsillerinin agregasyonu (W ile) ve kendi önceki temsili (B ile) birleştirilip aktivasyondan geçirilir.
Kipf & Welling (2017) spektral graf teorisinden başlayıp basit bir formüle ulaştı.…
GCN
GAT
Veličković ve ekibi (2018) Transformer'dan ilham aldı: **her komşuya farklı dikkat ağırlığ…
💡Over-smoothing problemi: Çok katmanlı GNN'lerde tüm düğümler birbirine benzemeye başlar. Genelde 2-4 katman optimal, derin GNN için özel teknikler gerekir (residual bağlantılar, jumping knowledge).
**AlphaFold**: Protein amino asitlerini graf olarak modeller, 3D yapıyı tahmin eder.…
ℹ️LearNN'in kendi içerik yapısı da bir graf: konular düğüm, ilişkiler kenar. Meta düzeyde GNN öğreniyorsun!
✦ Quiz
GNN'de 'mesaj geçişi' ne anlama gelir?
✦ Quiz
GAT'ın GCN'den temel farkı nedir?
⚠️Graf boyutu büyüdükçe tam mesaj geçişi pahalılaşır. Mini-batch eğitimi için özel örnekleme teknikleri (GraphSAGE neighborhood sampling, Cluster-GCN) gerekir.
Bağlantılı Konular