Learn AI with Python · บทเรียน

การพยากรณ์เส้นเชื่อมและการจำแนกกราฟ

งานพยากรณ์เส้นเชื่อม การสุ่มตัวอย่างเชิงลบ การรวมระดับกราฟ และ GINConv สำหรับการจำแนกกราฟ

การพยากรณ์เส้นเชื่อมและการจำแนกกราฟ เป็นบทเรียน Learn AI with Python ฟรีบน CoddyKit นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Learn AI with Python และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Learn AI with Python มีบทเรียนทั้งหมด 4 บทเรียน

งานกราฟใหม่สองประเภท

นอกเหนือจากการจำแนกโหนดแล้ว GNN ยังรองรับงานต่อไปนี้:

การทำนายเส้นเชื่อม: จะมีเส้นเชื่อมระหว่างโหนดสองโหนดหรือไม่ (การแนะนำเพื่อน ปฏิสัมพันธ์ระหว่างยา)
การจำแนกกราฟ: กำหนดป้ายกำกับให้กราฟทั้งกราฟ (โมเลกุลนี้มีพิษหรือไม่)

การตั้งค่าสำหรับการทำนายเส้นเชื่อม

ในการทำนายเส้นเชื่อม ขั้นแรกเราจะคำนวณเวกเตอร์ตัวแทนของโหนดด้วย GNN จากนั้นจึงให้คะแนนคู่โหนดที่เป็นตัวเลือก คะแนนสูงหมายความว่าโมเดลเชื่อว่าควรมีเส้นเชื่อมระหว่างโหนดคู่นั้น

การให้คะแนนเส้นเชื่อม

คะแนนเส้นเชื่อมที่ใช้กันทั่วไปคือผลคูณจุดของเวกเตอร์ตัวแทนโหนดทั้งสอง: score = dot(h_u, h_v) เวกเตอร์ตัวแทนที่คล้ายกันจะให้ผลคูณจุดสูง จึงทำนายได้ว่ามีแนวโน้มจะเป็นเส้นเชื่อม

h = gnn(data.x, data.edge_index)        # node embeddings
score = (h[u] * h[v]).sum(dim=-1)        # dot product per pair

การสุ่มตัวอย่างเชิงลบ

กราฟจะแสดงเฉพาะเส้นเชื่อมที่มีอยู่ (ตัวอย่างบวก) หากต้องการฝึกตัวจำแนก เรายังต้องมีคู่โหนดที่ไม่มีเส้นเชื่อมด้วย การสุ่มตัวอย่างเชิงลบจะเลือกคู่โหนดที่ไม่เชื่อมต่อกันแบบสุ่มเพื่อใช้เป็นตัวอย่างลบ ทำให้ชุดฝึกมีความสมดุล

from torch_geometric.utils import negative_sampling

neg_edge_index = negative_sampling(
    edge_index=data.edge_index,
    num_nodes=data.num_nodes,
    num_neg_samples=data.edge_index.size(1),
)

BCEWithLogitsLoss

การทำนายเส้นเชื่อมเป็นปัญหาแบบทวิภาค (มีเส้นเชื่อมหรือไม่มีเส้นเชื่อม) เราให้คะแนนคู่ตัวอย่างบวกและลบ กำหนดป้ายกำกับเป็น 1 และ 0 แล้วฝึกด้วย BCEWithLogitsLoss ซึ่งรวมซิกมอยด์เข้ากับ binary cross-entropy อย่างมีเสถียรภาพทางตัวเลข

import torch

pos = (h[pos_u] * h[pos_v]).sum(-1)
neg = (h[neg_u] * h[neg_v]).sum(-1)
scores = torch.cat([pos, neg])
labels = torch.cat([torch.ones_like(pos), torch.zeros_like(neg)])
loss = torch.nn.functional.binary_cross_entropy_with_logits(scores, labels)

การเปลี่ยนไปใช้การจำแนกกราฟ

สำหรับการจำแนกกราฟ เราต้องการเวกเตอร์เดียวต่อกราฟ ไม่ใช่เวกเตอร์ต่อโหนด หลังจากชั้น GNN สร้างเวกเตอร์ตัวแทนของโหนดแล้ว เราจะรวมเวกเตอร์เหล่านั้นเป็นตัวแทนระดับกราฟหนึ่งชุด

global_mean_pool

global_mean_poolคำนวณค่าเฉลี่ยของเวกเตอร์ตัวแทนโหนดทั้งหมดในกราฟเพื่อสร้างเวกเตอร์ขนาดคงที่หนึ่งชุด ไม่ว่ากราฟจะมีขนาดเท่าใด ดัชนี batch จะระบุว่าโหนดใดอยู่ในกราฟใดเมื่อรวมกราฟหลายกราฟเป็นชุดเดียวกัน

from torch_geometric.nn import global_mean_pool

h = gnn(x, edge_index)               # [num_nodes, dim]
hg = global_mean_pool(h, batch)       # [num_graphs, dim]
logits = classifier(hg)

เหตุใดการรวมข้อมูลจึงสำคัญ

การรวมข้อมูลทำให้โมเดลไม่ขึ้นกับลำดับของโหนดและขนาดของกราฟ ดังนั้นกราฟที่มีโครงสร้างเหมือนกันสองกราฟจึงให้เวกเตอร์หลังการรวมเหมือนกัน การรวมด้วยค่าเฉลี่ยเป็นวิธีที่เรียบง่าย ส่วนการรวมด้วยผลรวมและค่าสูงสุดเป็นทางเลือกที่มีความไวต่อคุณสมบัติต่างกัน

GINConv

GINConv (เครือข่ายไอโซมอร์ฟิซึมของกราฟ) คือคอนโวลูชันที่มีความสามารถในการแสดงออกสูงกว่า โดยใช้ MLP และการรวมด้วยผลรวม ซึ่งออกแบบมาโดยเฉพาะเพื่อเพิ่มความสามารถในการจำแนกของการส่งข้อความสำหรับงานระดับกราฟให้สูงสุด

from torch_geometric.nn import GINConv
import torch

mlp = torch.nn.Sequential(
    torch.nn.Linear(in_dim, hid),
    torch.nn.ReLU(),
    torch.nn.Linear(hid, hid),
)
conv = GINConv(mlp)

ความเชื่อมโยงกับไวส์ไฟเลอร์–เลมัน

GIN ได้รับการออกแบบให้มีพลังเทียบเท่ากับการทดสอบไวส์ไฟเลอร์–เลมัน (WL) ซึ่งเป็นอัลกอริทึมดั้งเดิมสำหรับแยกแยะกราฟที่ไม่เป็นไอโซมอร์ฟิก GNN ที่เรียบง่ายกว่าหลายแบบไม่สามารถแยกกราฟบางคู่ได้ แต่ GIN ทำได้ภายใต้ขีดจำกัดของการทดสอบ WL จึงเหมาะสำหรับการจำแนกกราฟ

การเลือกเครื่องมือที่เหมาะสม

จับคู่สถาปัตยกรรมให้เหมาะกับงาน:

การทำนายลิงก์: เวกเตอร์ฝังจาก GNN + การให้คะแนนด้วยผลคูณจุด + การสุ่มตัวอย่างเชิงลบ + ฟังก์ชันสูญเสีย BCE
การจำแนกกราฟ: คอนโวลูชันที่มีความสามารถในการแสดงออกสูง เช่น GINConv + การพูลรวมทั่วทั้งกราฟ + ตัวจำแนก

ตรวจสอบความเข้าใจอย่างรวดเร็ว

ทดสอบความรู้ของคุณ

ทบทวน

คุณได้เรียนรู้เรื่องการทำนายลิงก์และการจำแนกกราฟ:

คะแนนของเส้นเชื่อม = dot(h_u, h_v) โดยฝึกด้วยการสุ่มตัวอย่างเชิงลบและฟังก์ชันสูญเสีย BCE พร้อมลอจิต
global_mean_pool แปลงเวกเตอร์ฝังของโหนดให้เป็นเวกเตอร์ระดับกราฟ
GINConv มีความสามารถในการแสดงออกสูงมาก โดยสอดคล้องกับการทดสอบไวส์ไฟเลอร์–เลมัน

คำถามที่พบบ่อย

บทเรียน “การพยากรณ์เส้นเชื่อมและการจำแนกกราฟ” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “การพยากรณ์เส้นเชื่อมและการจำแนกกราฟ” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Learn AI with Python ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Learn AI with Python มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “การพยากรณ์เส้นเชื่อมและการจำแนกกราฟ”

งานพยากรณ์เส้นเชื่อม การสุ่มตัวอย่างเชิงลบ การรวมระดับกราฟ และ GINConv สำหรับการจำแนกกราฟ คุณปฏิบัติ Learn AI with Python ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Learn AI with Python หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน Learn AI with Python บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน

บทเรียน “การพยากรณ์เส้นเชื่อมและการจำแนกกราฟ” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน Learn AI with Python นี้ได้ไหม

ได้ บทเรียน Learn AI with Python ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

← กลับไปที่ Learn AI with Python