01Overall Concept
ไอเดียหลัก — GNN ทำ message passing โดยสร้างข้อความตาม edge รวมข้อความรอบโหนด และใช้ neural update สร้าง embedding ใหม่ หลายชั้นขยายบริเวณข้อมูลที่โหนดมองเห็น
ลองนึกภาพว่า — เหมือนคนในเครือข่ายถามข่าวจากเพื่อน สรุปข้อมูล แล้วส่งสรุปใหม่ต่อในรอบถัดไป
ตัวอย่างการนำไปใช้ — จำแนกโหนด ทำนายลิงก์ โมเลกุล และระบบแนะนำ
02อธิบายภาษาคนเข้าใจง่ายๆ
Graph Neural Network เริ่มจากคำถามง่าย ๆ ว่า ให้แต่ละโหนดรับข้อความจากเพื่อนบ้านแล้วอัปเดต representation วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนคนในเครือข่ายถามข่าวจากเพื่อน สรุปข้อมูล แล้วส่งสรุปใหม่ต่อในรอบถัดไป ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
GNN ทำ message passing โดยสร้างข้อความตาม edge รวมข้อความรอบโหนด และใช้ neural update สร้าง embedding ใหม่ หลายชั้นขยายบริเวณข้อมูลที่โหนดมองเห็น พารามิเตอร์หลักใน Playground คือ จำนวน message-passing layers เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ node features, edge index และ edge features ถ้ามี · ตัวอย่างขนาดเล็กที่ทำซ้ำได้ เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น จำแนกโหนด ทำนายลิงก์ โมเลกุล และระบบแนะนำ ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: node/edge/graph embeddings และค่าทำนาย · Playground อัปเดตเมื่อปรับ จำนวน message-passing layers พร้อมจำข้อจำกัดสำคัญว่า หลายชั้นอาจทำให้ embeddings คล้ายกันเกินไปและกราฟใหญ่ต้องใช้ sampling หรือ batching เฉพาะ
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
node features, edge index และ edge features ถ้ามี ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ num_layers เพื่อจำนวน hop ของเพื่อนบ้านที่มีอิทธิพล และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
สร้าง message จากโหนดต้นทางและ edge จากนั้น aggregate messages แบบ sum/mean/max Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
อัปเดต node state ด้วย neural network ผลที่ได้คือ node/edge/graph embeddings และค่าทำนาย ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ num_layers ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า หลายชั้นอาจทำให้ embeddings คล้ายกันเกินไปและกราฟใหญ่ต้องใช้ sampling หรือ batching เฉพาะ
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
num_layerslearning_ratevalidationข้อมูลที่รับเข้ามา
node features, edge index และ edge features ถ้ามี
node features, edge index และ edge features ถ้ามี · ตัวอย่างขนาดเล็กที่ทำซ้ำได้พารามิเตอร์ที่ใช้
- num_layers
- จำนวน hop ของเพื่อนบ้านที่มีอิทธิพล
- learning_rate
- ควบคุมขนาดการอัปเดตในแต่ละรอบเมื่อโมเดลเรียนด้วย gradient
- validation
- กำหนดข้อมูลที่กันไว้เลือกค่าและตรวจการใช้งานกับตัวอย่างใหม่
ผลลัพธ์ที่ได้
node/edge/graph embeddings และค่าทำนาย
node/edge/graph embeddings และค่าทำนาย · Playground อัปเดตเมื่อปรับ จำนวน message-passing layersคำนวณทีละขั้น
- 01
สร้าง message จากโหนดต้นทางและ edge
- 02
aggregate messages แบบ sum/mean/max
- 03
อัปเดต node state ด้วย neural network
ควรรู้อีกนิด — หลายชั้นอาจทำให้ embeddings คล้ายกันเกินไปและกราฟใหญ่ต้องใช้ sampling หรือ batching เฉพาะ
04Make it yours
# ติดตั้ง: pip install numpy torch torch-geometric# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("graph-neural-network-sample.csv", delimiter=",", skip_header=1)import torchfrom torch_geometric.data import Datafrom torch_geometric.nn import SAGEConvedges=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=SAGEConv(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
จำนวน layers ทำให้โหนดรับข้อมูลจากกี่ hops?
สีที่ไหลตาม edge คือ messages และโหนดกลางรวมข้อความก่อนอัปเดต
มองเพื่อนบ้านไกลขึ้น แต่อาจเกิด oversmoothing
ดูว่าโหนดต่างชุมชนเริ่มมีสีหรือ embedding คล้ายกันเกินไปหรือไม่
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ PyTorch Geometric จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง