Graphbasiertes maschinelles Lernen ist eine Klasse von Methoden des maschinellen Lernens zur Modellierung und Analyse graphenstrukturierter Daten. Sein Hauptziel ist es, die strukturellen Beziehungen und Merkmalsdarstellungen innerhalb der Daten mithilfe von Informationen wie Knoten, Kanten und Knoten- oder Kantenattributen zu erlernen. Im Gegensatz zum traditionellen maschinellen Lernen, das sich primär mit regulären Rasterdaten oder unabhängigen Stichproben befasst, kann graphbasiertes maschinelles Lernen Daten mit komplexen, vernetzten Beziehungen verarbeiten, wie beispielsweise soziale Netzwerke, Wissensgraphen, Molekülstrukturen, Transportnetzwerke und Empfehlungssysteme.

Die Entwicklung des Graph-basierten maschinellen Lernens basiert auf verschiedenen Forschungsfeldern, darunter Graphentheorie, Netzwerkanalyse und maschinelles Lernen. Frühe Forschungsarbeiten stützten sich hauptsächlich auf manuell entworfene Graphmerkmale und traditionelle Graphalgorithmen für die Analyse. Mit der Entwicklung des Deep Learning begannen Forscher, Graph-Neuronale Netze (GNNs) zu untersuchen, die neuronale Netze nutzen, um Knotendarstellungen direkt aus Graphstrukturen zu lernen. Im Jahr 2017 veröffentlichten Forscher der Universität Amsterdam eine Arbeit… Halbüberwachte Klassifizierung mit Graph Convolutional Networks In diesem Artikel wird das Graph Convolutional Network (GCN) vorgestellt, das Informationen über benachbarte Knoten durch Graph-Faltungsoperationen aggregiert und so die Fähigkeit zum halbüberwachten Lernen von Graphdaten verbessert. Es hat sich zu einer der wichtigsten repräsentativen Forschungsarbeiten auf dem Gebiet der Graph-Neuronalen Netze entwickelt.

Moderne Methoden des maschinellen Lernens mit Graphen finden breite Anwendung in Bereichen wie Knotenklassifizierung, Linkvorhersage, Graphklassifizierung und Beziehungsanalyse. Mit der Entwicklung von Graph-Neuronalen Netzen, Graphrepräsentationslernen und graphenbasierten Modellen hat sich dieses Feld auf die Computerbiologie, die Wirkstoffforschung, Wissensgraphen, Empfehlungssysteme, Cybersicherheit und das Information Retrieval ausgeweitet und bietet wichtige technische Mittel zur Analyse komplexer relationaler Daten.