ディープグラフネットワーク

ディープグラフネットワークとは、ニューラルネットワークの一種で、グラフの問題を解決するためにトレーニングされたもののことです。深層グラフネットワークは、 PyTorch や などの基盤となる深層学習フレームワークを使用しますMXNet。実用的な AI アプリケーションでのグラフネットワークの可能性は、Amazon SageMaker チュートリアルの「Deep Graph Library ()」で強調されていますDGL。グラフデータセットのトレーニングモデルの例としては、ソーシャルネットワーク、ナレッジベース、生物学、化学などがあります。

図 1。DGLエコシステム

で事前設定された Amazon SageMakerの深層学習コンテナを使用して、いくつかの例を示しますDGL。で使用する特別なモジュールがある場合はDGL、独自のコンテナを構築することもできます。例には、数種類のノードとエッジを持ち、バイオインフォマティクスやソーシャルネットワーク解析など、さまざまな科学分野にわたるさまざまなアプリケーションを対象とするヘテログラフが含まれています。DGL は、さまざまなタイプのモデル に対して、幅広いグラフニューラルネットワーク実装を提供します。主な例は次のとおりです。

• グラフ畳み込みネットワーク (GCN）

• リレーショナルグラフ畳み込みネットワーク (R-GCN）

• グラフ注意ネットワーク (GAT）

• グラフのディープ生成モデル (DGMG）

• ジャンクションツリーニューラルネットワーク (JTNN）

ディープグラフネットワークをトレーニングするには

1. Amazon の JupyterLabビューから SageMaker、サンプルノートブックを参照し、DGLフォルダを探します。サンプルをサポートするために、いくつかのファイルを含めることができます。前提条件READMEがないか調べます。

2. .ipynb ノートブックのサンプルを実行します。 

3. 推定関数を検索し、Amazon ECRコンテナを使用している行DGLと特定のインスタンスタイプを書き留めます。これを更新すると、任意のリージョンのコンテナを使用できます。

4. 関数を実行してインスタンスを起動し、 DGLコンテナを使用してグラフネットワークをトレーニングします。このインスタンスの起動には料金が発生します。トレーニングが完了すると、インスタンスは自動的に終了します。

ナレッジグラフ埋め込み (KGE) の例を示します。これは、一般的な事実のナレッジベースである Freebase データセットを使用します。使用例としては、人の関係をグラフ化し、その国籍を予測することが挙げられます。 

グラフ畳み込みネットワーク (GCN) の実装例は、毒性を予測するためにグラフネットワークをトレーニングする方法を示しています。生理学データセットである Tox21 は、物質が生物学的反応に及ぼす影響についての毒性測定を提供します。 

もう 1 つのGCN例は、Cora と呼ばれる科学出版物の参考文献データセットでグラフネットワークをトレーニングする方法を示しています。これを使用すると、作成者、トピック、および学会の関係を検索できます。

最初の例は、映画レビューに推奨されるシステムです。 MovieLens データセットでトレーニングされたグラフ畳み込み行列完了 (GCMC) ネットワークを使用します。これらのデータセットは、映画のタイトル、ジャンル、ユーザーによる評価で構成されます。