Redes de Gráficos Profundos

As redes de gráficos profundos referem-se a um tipo de rede neural que é treinada para resolver problemas de gráficos. Uma rede gráfica profunda usa uma estrutura subjacente de aprendizado profundo, como PyTorch ouMXNet. O potencial das redes gráficas em aplicações práticas de IA é destacado nos SageMaker tutoriais da Amazon para a Deep Graph Library ()DGL. Exemplos de modelos de treinamento em conjuntos de dados de gráficos incluem redes sociais, bases de conhecimento, biologia e química.

Figura 1. O DGL ecossistema

Vários exemplos são fornecidos usando os contêineres SageMaker de aprendizado profundo da Amazon que são pré-configurados comDGL. Se você tiver módulos especiais com os quais deseja usarDGL, também poderá criar seu próprio contêiner. Os exemplos envolvem heterográficos, que são gráficos que têm vários tipos de nós e arestas, e se inspiram em uma variedade de aplicações em diferentes campos científicos, como bioinformática e análise de redes sociais. DGLfornece uma ampla variedade de implementações de redes neurais gráficas para modelos de diferentes tipos. Alguns dos destaques incluem:

• Rede convolucional gráfica () GCN

• Rede convolucional de grafos relacionais (R-) GCN

• Rede gráfica de atenção (GAT)

• Modelos generativos profundos de gráficos () DGMG

• Rede neural de árvore de junção () JTNN

Como treinar uma rede de gráficos profundos

1. Na JupyterLabvisualização na Amazon SageMaker, navegue pelos exemplos de cadernos e procure DGL pastas. Vários arquivos podem ser incluídos para oferecer suporte a um exemplo. Examine o README para ver se há pré-requisitos.

2. Execute o exemplo do bloco de anotações .ipynb. 

3. Encontre a função estimadora e anote a linha em que ela está usando um ECR contêiner da Amazon DGL e um tipo de instância específico. Você pode querer atualizar isso para usar um contêiner em sua região preferida.

4. Execute a função para iniciar a instância e usar o DGL contêiner para treinar uma rede gráfica. São geradas cobranças para executar essa instância. A instância é encerrada automaticamente quando o treinamento é concluído.

Um exemplo de incorporação (KGE) do gráfico de conhecimento é fornecido. Ele usa o conjunto de dados do Freebase, uma base de conhecimento de fatos gerais. Um exemplo de caso de uso seria criar um gráfico de relações de pessoas e prever sua nacionalidade. 

Um exemplo de implementação de uma rede convolucional gráfica (GCN) mostra como você pode treinar uma rede gráfica para prever a toxicidade. Um conjunto de dados fisiológicos, Tox21, fornece medições de toxicidade de como as substâncias afetam as respostas biológicas. 

Outro GCN exemplo mostra como treinar uma rede gráfica em um conjunto de dados bibliográficos de publicações científicas, conhecido como Cora. É possível usá-la para encontrar relações entre autores, tópicos e conferências.

O último exemplo é um sistema de recomendação para avaliações de filmes. Ele usa uma rede gráfica de conclusão de matriz convolucional (GCMC) treinada nos conjuntos de dados. MovieLens Esses conjuntos de dados consistem em títulos de filmes, gêneros e classificações de usuários.