Graph Neural Networks (Çizge Sinir Ağları)

#grafik öğrenme #mesaj geçişi #GCN #GAT #moleküler yapı #sosyal ağ

Çizge Sinir Ağları, düğüm ve kenarlardan oluşan grafik yapılardaki ilişkileri ve örüntüleri öğrenmek için tasarlanmış derin öğrenme mimarileridir.

Çizge Sinir Ağları (Graph Neural Networks, GNN), düğüm ve kenarlardan oluşan grafik yapılardaki ilişkileri ve örüntüleri öğrenmek için tasarlanmış derin öğrenme mimarilerinin genel adıdır. Geleneksel sinir ağları ızgara biçimindeki verilerde (görüntü, ses) güçlüdür; GNN'ler ise sosyal ağlar, moleküler yapılar, bilgi grafikleri ve öneri sistemleri gibi düzensiz, bağlantı merkezli verilerde çalışır. GNN'lerin temel işlemi **mesaj geçişidir (message passing)**: her düğüm, komşu düğümlerden bilgi toplayarak kendi temsilini (embedding'ini) günceller. Bu süreç birden fazla katmanda tekrarlanarak her düğümün giderek daha geniş bir komşuluk bölgesinden bilgi edinmesi sağlanır. Matematiksel olarak, bir düğümün yeni temsili; komşu düğümlerin önceki katman temsillerinin bir toplama (aggregation) fonksiyonundan geçirilmesiyle elde edilir. Yaygın GNN mimarileri farklı toplama stratejileri kullanır. **GCN (Graph Convolutional Network, Kipf & Welling 2017)**, spektral evrişimi basitleştirerek normalize edilmiş komşuluk toplamı kullanır. **GAT (Graph Attention Network)**, komşu düğümlere dikkat mekanizmasıyla farklı ağırlıklar atar. **GraphSAGE**, büyük grafikler için sürükleyici örnekleme tekniğiyle ölçeklenebilirlik sunar. **GIN (Graph Isomorphism Network)**, iki farklı grafiği ayırt etme gücünde Weisfeiler-Leman testine eşdeğer teorik güce ulaşır. GNN'lerin en çarpıcı uygulaması, DeepMind'ın **AlphaFold 2** modelidir; protein yapısı tahmininde aminoasitler arası mesafe ve açı ilişkilerini grafik olarak modelleyerek 50 yıllık biyolojik bir problemi çözdü. İlaç tasarımında moleküler grafik temsillerinden yeni ilaç adayları keşfedilmekte; sosyal ağlarda spam ve sahte hesap tespiti yapılmakta; e-ticarette kullanıcı-ürün grafikleri üzerinden kişiselleştirilmiş öneri sistemleri kurulmaktadır. Trafik tahmininde ise yol ağları grafik olarak modellenerek ulaşım akışı öngörülmektedir. GNN'lerin sınırları da mevcuttur: çok derin ağlarda aşırı yumuşama (over-smoothing) sorunu tüm düğüm temsillerini birbirine benzetebilir. Milyarlarca düğümden oluşan grafiklerde ölçeklenebilirlik hâlâ aktif araştırma alanıdır. Bunun yanı sıra bağlantı örüntüsüne dayalı önyargılar, sosyal ağ uygulamalarında etik kaygılara yol açabilir.

Çizge Sinir Ağları Nasıl Çalışır?

GNN'lerin temel çalışma prensibi mesaj geçişi (message passing)'dir. Her düğüm, bir katmanda komşu düğümlerden mesajlar toplayarak kendi temsilini günceller. Bu adım L katman boyunca yinelendiğinde, her düğüm L-atlama uzaklığındaki komşulardan bilgi edinmiş olur. Toplama fonksiyonu genellikle ortalama, toplam veya maksimum gibi permütasyona duyarsız bir işlemdir; bu sayede kenarların sıralaması önemli olmaz. Düğüm temsilleri son katmanda sınıflandırma, regresyon veya bağlantı tahmini gibi görevlerde kullanılır. Graf seviyesinde tahmin için ise tüm düğüm temsillerinin havuzlanması (global pooling) gerekir.

Temel GNN Mimarileri

  • check_circle GCN (Graph Convolutional Network): Kipf & Welling (2017). Normalize edilmiş komşuluk matrisi üzerinde spektral evrişimi basitleştirir. Yarı-denetimli düğüm sınıflandırmasında temel referans mimarisi.
  • check_circle GAT (Graph Attention Network): Veličković et al. (2018). Komşu düğümlere dikkat mekanizmasıyla farklı ağırlıklar atar; ilgi alanı dışı komşuların etkisini bastırır.
  • check_circle GraphSAGE: Hamilton et al. (2017). Sürükleyici örnekleme ile büyük grafiklerde ölçeklenebilirlik sunar; Pinterest'in öneri sisteminde kullanılmıştır.
  • check_circle GIN (Graph Isomorphism Network): Xu et al. (2019). Weisfeiler-Leman testi eşdeğeri ayırt edicilik gücüne sahip; teorik olarak en güçlü mesaj geçiş çerçevesi.

Uygulama Alanları

  • check_circle İlaç Keşfi ve Biyoinformatik: AlphaFold 2, protein yapısı tahmininde GNN kullanır. Molekülleri atom-bağ grafiği olarak modelleyerek toksiklik tahmini ve ilaç-hedef etkileşimi yapılır.
  • check_circle Sosyal Ağ Analizi: Facebook ve Twitter gibi platformlarda spam tespiti, sahte hesap tespiti ve topluluk keşfi GNN ile gerçekleştirilir.
  • check_circle Öneri Sistemleri: Kullanıcı-ürün etkileşim grafikleri üzerinden kişiselleştirilmiş öneri; Pinterest ve Alibaba'nın Taobao'su GraphSAGE tabanlı sistemler kullanır.
  • check_circle Trafik ve Ulaşım: Google Maps'in ETA (varış tahmini) modeli, yol ağını graf olarak modelleyen GNN tabanlı sistemle 2020'den beri çalışmaktadır.

Zorluklar ve Araştırma Yönelimleri

GNN'ler çeşitli açık problemlerle karşı karşıyadır. Aşırı yumuşama (over-smoothing): Katman sayısı arttıkça tüm düğüm temsilleri birbirine benzemeye başlar; bu, GNN'lerin tipik olarak 2-4 katmanda tutulmasını gerektirir. Ölçeklenebilirlik: Milyarlarca düğüm ve kenardan oluşan web ölçeğinde grafiklerde tam mesaj geçişi bellek açısından imkânsızdır; mini-batch ve örnekleme teknikleri aktif araştırma konusudur. Heterojen graflar: Farklı türde düğüm ve kenarları (örn. kullanıcı-ürün-kategori) aynı anda modellemek için HAN ve R-GCN gibi özel mimariler geliştirilmektedir. Açıklanabilirlik: GNN kararlarını yorumlamak için GNNExplainer ve SubgraphX gibi post-hoc yöntemler önerilmiş olsa da alan henüz olgunlaşmamıştır.

Geleneksel Sinir Ağlarından Farkı

CNN'ler ve RNN'ler, verilerin ızgara (piksel matrisi) veya dizi (zaman serisi, metin) formunda olduğunu varsayar. GNN ise düzensiz, değişken boyutlu ve permütasyona duyarsız yapıları modelleyebilir. Bir görüntüde her piksel sabit sayıda komşuya sahipken, bir grafikteki düğümün 1 ile binlerce arası komşusu olabilir. GNN bu esnekliği permütasyon-invaryant toplama fonksiyonlarıyla çözer. Transformer mimarileri tam bağlı graf olarak yorumlanabildiğinden, son araştırmalar GNN ile transformer'ı birleştiren Graph Transformer modellerine yönelmektedir.

Sıkça Sorulan Sorular

  • check_circle GNN ile knowledge graph embedding arasındaki fark nedir? TransE gibi knowledge graph embedding yöntemleri varlık-ilişki çiftlerinden statik vektörler öğrenir. GNN ise komşuluk bilgisini yayarak her düğüm için bağlam duyarlı, dinamik temsiller üretir.
  • check_circle GNN PyG mi yoksa DGL ile mi uygulanır? PyTorch Geometric (PyG) ve Deep Graph Library (DGL) en yaygın iki kütüphanedir. PyG PyTorch ekosistemine daha sıkı entegre, DGL ise hem PyTorch hem MXNet'i destekleyerek daha framework-agnostik bir tasarım sunar.
  • check_circle Kaç katman GNN kullanılmalı? Çoğu pratik uygulamada 2-3 katman yeterlidir. Daha fazla katman aşırı yumuşamaya yol açabilir; bu sorunu gidermek için residual bağlantılar veya DropEdge gibi düzenlileştirme teknikleri önerilir.
  • check_circle GNN yönlendirilmiş grafiklerle çalışabilir mi? Evet. Directed GNN'ler kenar yönünü mesaj geçişine dahil eder. Heterogeneous GNN'ler farklı kenar tiplerini ayrı ayrı işleyerek bilgi grafikleri ve çok türlü ağlarda kullanılabilir.
  • check_circle GNN ne zaman tercih edilmeli? Verileriniz doğal olarak grafik yapısındaysa (moleküller, sosyal ağ, yol ağı, bilgi tabanı) GNN uygundur. Tablo veya görüntü verilerinde CNN/MLP tipik olarak daha iyi ve daha hızlıdır.