Graph Neural Networks

Graph Neural Networks (GNNs) sind eine Klasse neuronaler Netze, die speziell für Daten entwickelt wurden, die als Graph strukturiert sind, also als Sammlung von Knoten (Nodes) und Verbindungen (Edges). Während klassische CNNs auf regelmäßigen Gittern (Bildern) und RNNs auf Sequenzen arbeiten, lernen GNNs Repräsentationen auf unregelmäßigen, verbundenen Strukturen.

Das Grundprinzip ist Message Passing: Jeder Knoten sammelt Informationen von seinen Nachbarknoten, aggregiert sie und aktualisiert seinen eigenen Zustand. Über mehrere Schichten hinweg propagiert sich Information so durch den gesamten Graphen, sodass jeder Knoten ein Verständnis seines lokalen und globalen Kontexts entwickelt.

GNNs haben sich in vielen Domänen mit relationaler Struktur durchgesetzt: Molekulardesign und Wirkstoffforschung (Moleküle als Graphen), soziale Netzwerke (Empfehlungssysteme, Spam-Erkennung), Verkehrsplanung (Straßennetze), Betrugserkennung im Finanzbereich, Knowledge Graphs und sogar in Googles ETA-Vorhersagen für Maps. Sie sind ein Schlüsselverfahren überall dort, wo Beziehungen zwischen Entitäten so wichtig sind wie die Entitäten selbst.