그래프 컨볼루션 네트워크: 알아야 할 애플리케이션 목록

컨볼루션 네트워크는 신경망의 일종입니다. 신경망은 특별한 종류의 딥 러닝 모델입니다. 일반적으로 머신 러닝 또는 딥 러닝은 복잡한 작업으로 인해 엄격하고 값비싼 알고리즘으로 구성됩니다. 마찬가지로 그래프에 대한 딥 러닝 모델은 훨씬 더 복잡합니다. Graph Convolutional Networks는 주로 이미지 분류 목적으로 사용됩니다. 컨벌루션 신경망에 대해 자세히 알아보세요.

지난 10년 동안 데이터 과학의 적용은 엄청나게 증가했습니다. 데이터가 풍부한 이 세상에서 학습 모델 접근 방식은 훌륭한 결과와 정확한 예측을 가져왔습니다. 그래프는 많은 정보 시스템에 유용합니다.

생물학적 단백질 상호 작용에서 인터넷 연결 및 WorldWideWeb에 이르기까지 그래프는 이러한 모든 시스템을 나타냅니다. 또한 그래픽 구조를 통해 신경망을 구현하면 컴퓨터가 이미지의 속성을 이해할 수 있습니다. 이 모델은 그래프의 가장 진보된 실제 응용 프로그램 중 하나입니다. 이러한 알고리즘에 대해 자세히 논의해 보겠습니다.

신경망 구축 방법

신경망은 데이터 과학 및 딥 러닝의 가장 진보된 기술 중 하나입니다. 신경망은 주식 시장 예측에서 이미지 분류, 음성 또는 문자 인식, 심지어 시퀀스 분석에 이르기까지 많은 애플리케이션에서 유용합니다.

신경망의 첫 번째 개념은 생물학적 관점에서 나왔습니다. 과학자들은 시각 신경이 뇌의 청각 중추와 연결되어 있다는 실험을 했습니다. 결국 유기체는 뇌의 청각 중추를 통해서도 보는 법을 배웠습니다. 더 많은 실험을 통해 뇌의 모든 센터가 모든 행동을 수행할 수 있음이 입증되었습니다.

접근 방식은 컴퓨터 알고리즘에 정보를 제공하는 인간의 두뇌를 모방하기 시작했습니다. 그래서 유사하게 컴퓨터 과학자들도 모든 컴퓨터 두뇌 학습 문제를 해결할 수 있는 단일 알고리즘이 있어야 한다고 생각했습니다. 신경망은 그렇게 탄생했습니다.

신경망은 여러 계층의 뉴런으로 구성됩니다. 각 뉴런은 일반적으로 그래프 노드입니다. 각 레이어의 각 뉴런은 가중치 엣지를 통해 다음 레이어의 모든 뉴런과 연결되어 있습니다. 엣지의 가중치는 레이어 값 계산의 계수로 작용합니다.

역전파를 통해 계수는 샘플 훈련 예제가 있는 모델에 맞게 변경됩니다. 궁극적으로 마지막 계층의 단일 뉴런이 출력을 제공합니다. 다음 이미지에서는 신경망의 구조를 설명합니다.

이미지 소스

읽기: 이미지 분류를 위해 컨벌루션 신경망 사용하기

그래프 컨볼루션 네트워크

컨볼루션 네트워크는 3차원 신경망입니다. Convolutional Neural Networks의 가장 실용적인 용도에는 이미지 분류 및 인식, 자연어 처리 및 음성 인식이 포함됩니다. 이러한 모델은 일반적으로 일반적인 2차원 신경망 모델보다 더 복잡합니다.

이 아키텍처에서 서로 다른 뉴런의 레이어가 조립됩니다. 차원의 매개변수는 모델이 매개변수를 인식하도록 하기 위해 다른 레이어에서 가변적입니다. 예를 들어, 이미지는 2차원적이며, 그 동안 각 점의 색상도 중요한 역할을 합니다. 따라서 세 가지 다른 매개변수가 나타납니다. 이러한 복잡성을 처리하기 위해 Conv Net이 중요한 역할을 합니다.

서로 다른 차원의 이러한 많은 3D 행렬은 신경망의 여러 수준에서 작동합니다. 결국 'z' 차원은 네트워크의 출력 매개변수에 맞습니다. 한 수준에서 다른 수준으로 정보를 전달하는 것은 다양한 알고리즘을 통해 이루어질 수 있습니다.

예를 들어 FC(완전 연결), Pooling 및 ReLU는 이와 관련된 몇 가지 중요한 알고리즘입니다.

일반적으로 신경망의 노드 값은 로 표시되며, 여기서 'l'은 계층 번호를 나타냅니다. 따라서 0 은 입력 행렬입니다.

0 = X

반면에 마지막 레이어 노드는 출력을 정의합니다. 예를 들어 'L' 레이어가 있습니다. 따라서 L 은 신경망의 출력을 나타냅니다 .

에이 = Y

이미지 소스

위의 이미지는 이미지 분류를 구현하는 컨볼루션 신경망을 나타냅니다. 매개변수는 개, 고양이, 박쥐 및 새에 대해 설정됩니다.

특정 내부 레이어의 노드 값은 이전 레이어 값을 통해 계산됩니다.

a l+1 = f( l , θ)

여기서, 는 인접 행렬이고, f 는 정의 함수입니다. 이 표현식을 사용하여 모든 그래프 컨볼루션 네트워크 계층을 작성할 수 있습니다. 이러한 방식으로 그래프 컨볼루션 신경망은 일반적으로 작동합니다.

그래프 컨볼루션 네트워크의 응용

• Graph Convolutional Networks는 그래프와 같은 물리적 시스템, 대화형 접근 방식 및 응용 프로그램에 대한 예측을 생성합니다. 또한 GCN은 실제 개체 및 물리적 시스템의 속성(충돌의 역학, 개체 궤적)에 대한 정확한 정보를 제공합니다.
• GCN은 이미지 차별화 문제를 수행하는 데 사용됩니다. 이를 따르는 모델을 '제로샷 학습'이라고 합니다. 이 모델의 주요 동기는 레이블이 지정되지 않은 알려지지 않은 이미지를 식별하고 알려진 이미지로 그룹화하는 것입니다. 또한 이러한 레이블의 의미 정보를 수집하고 분류합니다.
• GCN은 입력으로 특정 길이의 분자 지문을 가져와 예측된 분자 구조를 생성할 수 있습니다. MolGAN은 다양한 기능을 가진 새로운 분자 구조를 생성하는 데 도움이 되는 Graph Convolutional 네트워크의 한 종류입니다. 이러한 방식으로 과학자들은 매일 현대적인 분자 구조를 발명할 수 있습니다.
• GCN은 연구 운영 및 조합 최적화 응용과 관련된 다양한 문제를 해결하는 데 적용할 수 있습니다. Graph Convolutional Networks는 세일즈맨 문제, 2차 할당 문제 등을 해결하는 데 중추적인 역할을 합니다. 입력 그래프의 도움으로 기존의 복잡한 알고리즘을 능가할 수 있습니다.

재커리의 가라테 클럽

Graph Convolutional Networks의 또 다른 중요한 응용 프로그램은 Zachary의 가라테 클럽과 같은 커뮤니티 예측 문제를 해결하는 것입니다. 이 문제는 관리자와 클럽의 강사 간의 분쟁을 기반으로 합니다.

우리는 가라데 클럽의 모든 회원이 어느 쪽을 선택할 것인지 알아내야 합니다. 이 문제는 반 지도 학습 기술을 사용하여 해결됩니다. 두 개의 레이블이 지정된 노드를 사용하여 Tobias Jepsen은 문제를 해결하고 두 커뮤니티를 예측하는 측면에서 거의 완벽한 정확도에 도달할 수 있었습니다.

이제 다음 이미지를 살펴보고 가라테 클럽 문제와 Graph Convolutional Networks를 사용하여 적절한 계산에 대한 통찰력을 얻을 수 있습니다.

이미지 소스

더 읽어보기: 신경망 프로젝트 아이디어

마무리

이 기사를 읽으면 Graph Convolutional Networks가 무엇인지, Neural Networks가 어떻게 구축되는지, GCN에 대한 간략한 아이디어와 작동 원리, Zachary Karate Club 문제를 비롯한 GCN의 다양한 중요한 측면과 응용 프로그램을 이해할 수 있을 것입니다.

GCN과 그 기능 및 이점에 대해 더 알고 싶다면 upGrad Education Pvt에 등록하십시오. Ltd. 및 IIITB의 기계 학습 및 인공 지능에 관한 대학원 및 디플로마 과정 . 머신 러닝 및 AI에 대한 이 과정은 학생과 일하는 전문가를 위해 설계되었습니다.

이 과정은 사례 연구 및 과제, 업계 멘토링 세션, IIIT 방갈로르 동문 자격, 일류 기업과의 취업 지원, 그리고 가장 중요한 것은 풍부한 학습 경험을 제공합니다.