Graph Neural Networks (Çizge Sinir Ağları)
Çizge sinir ağları (GNN), düğümler ve kenarlardan oluşan grafik yapılar üzerinde derin öğrenme işlemleri gerçekleştiren yapay sinir ağı mimarileridir. Geleneksel derin öğrenme modelleri ızgara benzeri verilerde (görüntüler için CNN, diziler için RNN) mükemmel sonuçlar verirken, sosyal ağlar, moleküler yapılar, bilgi grafikleri ve ulaşım ağları gibi düzensiz grafik yapılarında yetersiz kalıyordu. GNN'ler bu boşluğu doldurmak için geliştirilmiştir. GNN'nin temel çalışma prensibi mesaj geçişidir (message passing): her düğüm, komşu düğümlerden bilgi (mesaj) toplayarak kendi temsilini günceller. Bu süreç birden fazla katmanda tekrarlanarak düğümlerin daha geniş komşuluklarındaki bilgiyi yakalamasına olanak tanır. Graf Evrişimsel Ağlar (GCN), Graf Dikkat Ağları (GAT), GraphSAGE ve Graph Isomorphism Networks (GIN) gibi popüler GNN varyantları farklı mesaj geçiş stratejileri kullanır. GCN, spektral grafik teorisini kullanarak evrişim işlemini grafiklere genelleştirirken, GAT dikkat mekanizmaları ile farklı komşulara farklı ağırlıklar atar. GNN'lerin uygulama alanları son derece çeşitlidir. İlaç keşfinde moleküler özellik tahmini, sosyal ağ analizinde topluluk tespiti, öneri sistemlerinde kullanıcı-ürün etkileşim modelleme, kod analizi ve hata tespiti, trafik ve rota optimizasyonu bu alanların başında gelir. Özellikle AlphaFold'un protein yapısı tahmini büyük ölçüde GNN mimarilerine dayanmaktadır. Bu modeller, grafik verilerinin doğal yapısını koruyarak güçlü temsiller öğrenmesi sayesinde modern yapay zeka araştırmalarının merkezine yerleşmiştir. GNN'ler ayrıca heterojen grafiklerde (farklı türde düğüm ve kenarlar içeren) ve dinamik grafiklerde (zamanla değişen) de çalışacak şekilde genişletilebilir, bu da onları gerçek dünya problemlerine oldukça uygun kılar.