ml/ library Learn by doing
ALGORITHM 113 · PYTHON / JAVASCRIPT

Graph Convolutional Network

เฉลี่ย feature จากเพื่อนบ้านด้วย adjacency ที่ normalize แล้ว

LEARNING LEVEL5
เฉพาะทางควรรู้มาก่อน · Graph Embedding, Spectral Clustering และ MLP
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — GCN layer คูณ node features ด้วย normalized adjacency ที่เพิ่ม self-loops แล้วใช้ weight matrix และ activation จึงเป็น graph convolution ที่รวมข้อมูลจากตนเองและเพื่อนบ้าน

ลองนึกภาพว่า — เหมือนปรับความคิดเห็นของแต่ละคนจากค่าเฉลี่ยถ่วงน้ำหนักของตัวเองกับเพื่อนโดยไม่ให้คนที่เพื่อนเยอะครองเสียง

ตัวอย่างการนำไปใช้ — node classification, link prediction และ semi-supervised learning บนกราฟ

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

Graph Convolutional Network เริ่มจากคำถามง่าย ๆ ว่า เฉลี่ย feature จากเพื่อนบ้านด้วย adjacency ที่ normalize แล้ว วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนปรับความคิดเห็นของแต่ละคนจากค่าเฉลี่ยถ่วงน้ำหนักของตัวเองกับเพื่อนโดยไม่ให้คนที่เพื่อนเยอะครองเสียง ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

GCN layer คูณ node features ด้วย normalized adjacency ที่เพิ่ม self-loops แล้วใช้ weight matrix และ activation จึงเป็น graph convolution ที่รวมข้อมูลจากตนเองและเพื่อนบ้าน พารามิเตอร์หลักใน Playground คือ จำนวน hidden channels เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ node feature matrix และ edge index · ตัวอย่างขนาดเล็กที่ทำซ้ำได้ เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น node classification, link prediction และ semi-supervised learning บนกราฟ ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: node embeddings หรือ class logits · Playground อัปเดตเมื่อปรับ จำนวน hidden channels พร้อมจำข้อจำกัดสำคัญว่า สมมติว่าโหนดที่เชื่อมกันควรคล้ายกันและ full-batch computation ไม่เหมาะกับกราฟใหญ่มาก

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    node feature matrix และ edge index ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ hidden_channels เพื่อขนาด representation หลัง graph convolution และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    เพิ่ม self-loops และคำนวณ degree จากนั้น normalize adjacency ทั้งสองด้าน Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    รวม neighbor features แล้วคูณ learnable weights ผลที่ได้คือ node embeddings หรือ class logits ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ hidden_channels ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า สมมติว่าโหนดที่เชื่อมกันควรคล้ายกันและ full-batch computation ไม่เหมาะกับกราฟใหญ่มาก

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · targetnode feature matrix และ edge index · ตัวอย่างขนาดเล็กที่ทำซ้ำได้
CALCULATEGraph Convolutional Network
hidden_channelslearning_ratevalidation
RESULT0.800.150.05class / probabilitynode embeddings หรือ class logits · Playground อัปเดตเมื่อปรับ จำนวน hidden channels
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

node feature matrix และ edge index

node feature matrix และ edge index · ตัวอย่างขนาดเล็กที่ทำซ้ำได้
PARAMETERS

พารามิเตอร์ที่ใช้

hidden_channels
ขนาด representation หลัง graph convolution
learning_rate
ควบคุมขนาดการอัปเดตในแต่ละรอบเมื่อโมเดลเรียนด้วย gradient
validation
กำหนดข้อมูลที่กันไว้เลือกค่าและตรวจการใช้งานกับตัวอย่างใหม่
OUTPUT

ผลลัพธ์ที่ได้

node embeddings หรือ class logits

node embeddings หรือ class logits · Playground อัปเดตเมื่อปรับ จำนวน hidden channels
CALCULATION

คำนวณทีละขั้น

  1. 01

    เพิ่ม self-loops และคำนวณ degree

  2. 02

    normalize adjacency ทั้งสองด้าน

  3. 03

    รวม neighbor features แล้วคูณ learnable weights

ควรรู้อีกนิด — สมมติว่าโหนดที่เชื่อมกันควรคล้ายกันและ full-batch computation ไม่เหมาะกับกราฟใหญ่มาก

04Make it yours

Python · PyTorch Geometric
# ติดตั้ง: pip install numpy torch torch-geometric# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("graph-convolutional-network-sample.csv", delimiter=",", skip_header=1)import torchfrom torch_geometric.data import Datafrom torch_geometric.nn import GCNConvedges=torch.tensor(data[:,:2].T,dtype=torch.long)n=int(edges.max())+1; x=torch.eye(n)graph=Data(x=x,edge_index=edges)layer=GCNConv(n, 16)embedding=layer(graph.x,graph.edge_index)print("Node embedding shape:", tuple(embedding.shape))print(embedding[:4])

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

hidden channels เพิ่มความจุของ representation หลัง aggregate อย่างไร?

Graph Convolutional Network / ภาพกลไกที่พารามิเตอร์ควบคุม● คำนวณใหม่เมื่อปรับค่า
ขนาด representation หลัง graph convolution
ดูภาพอย่างไร

self-loop กับ normalized edges ช่วยเฉลี่ย feature โดยไม่ให้โหนด degree สูงครองน้ำหนัก

เมื่อเพิ่มค่า

เก็บรูปแบบ feature ได้มากขึ้นแต่จำนวน hop ไม่เปลี่ยน

ลองเปรียบเทียบ

แยกผลของจำนวน channels ออกจากจำนวน layers

v0v1v2v3v4v5v6เส้นเข้ม = messages ที่รวมในรอบนี้ · โหนดทอง = จุดที่กำลังอัปเดต
Node accuracy80.0%
Hidden channels16
พารามิเตอร์ที่ลอง16

Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ PyTorch Geometric จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง