01Her veri bir tablo ya da bir dizi değildir#
Şimdiye kadar gördüğümüz verilerin çoğu düzenliydi: metin bir dizi, görüntü bir ızgara. Bazı verilerde ise önemli olan şey, şeylerin birbirine nasıl bağlandığıdır:
- Bir molekül: atomlar düğüm, kimyasal bağlar bağlantı.
- Bir yol ağı: kavşaklar ya da yol parçaları düğüm, yollar bağlantı.
- Bir arkadaşlık ağı, bir atıf ağı, bir bilgi grafı.
Bu yapıya graf denir. Bir grafta düğümlerin sayısı ve her düğümün komşu sayısı değişir; “sol komşu”, “sağ komşu” gibi sabit bir sıra yoktur. Bu yüzden bir transformer ya da klasik bir evrişim, grafa doğrudan uyarlanamaz. Graf sinir ağları bu duruma özel olarak tasarlanmıştır.
02Mesaj aktarımı: komşularına bak, ortalamanı al#
Temel fikir şudur: her düğümün bir vektörü (özellik listesi) vardır. Bir turda her düğüm, komşularından “mesaj” toplar, bunları birleştirir ve kendi vektörünü günceller. Birkaç tur sonra bir düğümün vektörü, yalnızca kendisini değil, çevresindeki bölgeyi de özetler.
Kipf ve Welling, bu fikri basit bir graf evrişimli ağ biçiminde (GCN) birleştirdi; yöntemin maliyeti kenar sayısıyla doğrusal artıyor ve her gizli katman, düğümün kendi özelliğiyle yerel komşuluğunu birlikte yakalıyor. Kipf ve Welling, ICLR 2017 ↗ Gilmer ve arkadaşları ise molekülleri öğrenen birçok yöntemi mesaj aktarımlı sinir ağları adıyla tek bir çerçevede topladı; yazarlar bu çerçeveyle önemli bir kimyasal özellik tahmini ölçütünde en iyi sonuçlara ulaştıklarını bildirdi. Gilmer ve diğerleri, 2017 ↗
Aşağıda sekiz kişilik bir arkadaşlık grafı var. Başta yalnızca ilk gruptaki dört kişi bir bilgiyi “biliyor” (1). Her turda herkes, kendisinin ve komşularının değerinin ortalamasını alıyor. Turları ilerlet.
Komşulardan bilgi toplamak
Tur sayısını artır: bilgi komşudan komşuya nasıl yayılıyor? Çok tur sonra ne oluyor?
Her tur, bilgi bir komşu daha uzağa taşınıyor. Köprüdeki kişi (Deniz–Emre) iki grubu bağlıyor; uzaktaki kişiler bilgiyi ancak birkaç tur sonra alıyor.
Hesabı gör
hᵥ′ = (hᵥ + Σ_{u ∈ komşular(v)} hᵤ) / (1 + derece(v)). Gerçek graf ağlarında bu ortalama, öğrenilen ağırlık matrisleri ve doğrusal olmayan bir aktivasyonla birleşir.
Bilgi, köprüdeki iki kişi (Deniz–Emre) üzerinden ikinci gruba geçiyor ve her turda bir komşu daha ileri gidiyor: son kişi (Hakan) bilgiyi 3. turda alıyor. Bu bir katman sayısı sorusudur: bir düğümün dünyayı ne kadar uzaktan görebileceği, mesaj aktarımı turu sayısıyla sınırlıdır.
03Çok katman, her şeyi aynılaştırır#
Turları 20’ye kadar uzattığında, düğümler arasındaki fark azalıyor: değerler arası standart sapma 0,50’den yaklaşık 0,12’ye iniyor ve iki grup arasındaki ayrım silikleşiyor. Buna aşırı yumuşatma denir. Li ve arkadaşları, GCN’deki graf evrişiminin bir tür Laplace yumuşatması olduğunu ve bu yüzden çok katman eklendiğinde düğüm temsillerinin birbirine fazla benzeyebileceğini gösterdi. Li ve diğerleri, AAAI 2018 ↗
Bu yüzden graf ağlarında katman sayısı bir tasarım kararıdır: daha fazla katman her zaman daha iyi değildir. Demodaki işlem öğrenilen ağırlık içermez: gerçek bir GNN, bu ortalamanın içine öğrenilmiş dönüşümler ve doğrusal olmayan işlevler ekler. Demo yalnızca aktarımın geometrisini gösterir.
04Nerelerde kullanılır?#
| Alan | Graf nedir? | Örnek |
|---|---|---|
| İlaç keşfi | Atomlar ve bağlar | Stokes ve arkadaşları, molekülleri graf olarak işleyen bir derin öğrenme modeliyle yeni bir antibiyotik adayı olan halisini öne çıkardı; model, bir ilaç yeniden konumlandırma kütüphanesinden aday seçti ve adayların etkisi sonra laboratuvarda deneysel olarak sınandı (Cell, 2020) |
| Harita ve ulaşım | Yol parçaları ve kavşaklar | Google Maps’te varış süresi tahmini için graf sinir ağı kullanıldı; yazarlar, bazı bölgelerde (örneğin Sidney) olumsuz sonuçları %40’tan fazla azalttığını bildirdi (Derrow-Pinion ve diğerleri, CIKM 2021) |
| Öneri sistemleri | Kullanıcı–ürün etkileşimleri | Öneri algoritmalarındaki kullanıcı–ürün tablosu bir graf olarak da yazılabilir |
| Sosyal ağlar, atıf ağları | Kişiler ve bağlantıları | Bir düğümün türünü, komşularına bakarak tahmin etmek |
Şimdi veriye zaman ekleyelim: bir videodaki kareler. Yapay zekâ videoyu nasıl üretir?
Bu yazıyı bitirdiğinde:
- Graf verisinin neden bir tablo ya da dizi gibi işlenemediğini anlatabilirsin.
- Mesaj aktarımının bir turda ne yaptığını ve tur sayısının neyi sınırladığını açıklayabilirsin.
- Aşırı yumuşatmanın ne olduğunu söyleyebilirsin.
Cümlelerden birini kendi sözlerinle anlatamıyorsan, ilgili bölüme dön ve demoyu yeniden dene.
Yapay zekâ videoyu nasıl üretir?
Orta · 8 dk okuma