Graphen-informierte neuronale Netze

Kurzbeschriebung

Graphen-informierte neuronale Netze (Graph Neural Networks, GNNs) sind neuronale Modelle, die strukturierte Daten in Form von Graphen verarbeiten. Knoten repräsentieren Entitäten, Kanten ihre Beziehungen; das Modell lernt Repräsentationen, indem Informationen entlang der Graphstruktur propagiert werden.

Kernmechanismus ist das Message Passing: In iterativen Schritten aggregiert jeder Knoten Informationen seiner Nachbarn und aktualisiert seinen Zustand. Ein generisches Update lässt sich schreiben als '"`UNIQ--math-00000000-QINU`"', wobei '"`UNIQ--math-00000001-QINU`"' die Knotenrepräsentation in Schicht '"`UNIQ--math-00000002-QINU`"', '"`UNIQ--math-00000003-QINU`"' die Nachbarschaft und '"`UNIQ--math-00000004-QINU`"' eine Aggregationsfunktion (Summe, Mittelwert, Attention) ist.

Es existieren viele Varianten, darunter Graph Convolutional Networks (GCN), Graph Attention Networks (GAT), GraphSAGE und Message Passing Neural Networks (MPNN). Sie unterscheiden sich v. a. in Aggregation, Gewichtung (Attention) und Skalierbarkeit.

GNNs sind hochgradig nichtlinear und können relationale Abhängigkeiten erfassen, die klassischen Vektor-Modellen entgehen. Gleichzeitig sind sie rechenintensiv und ihre Interpretierbarkeit hängt von Zusatzmethoden (z. B. Attention-Gewichte, Subgraph-Erklärungen) ab.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen werden GNNs eingesetzt, um relationale Strukturen zu modellieren, etwa Patient:innen–Diagnose–Medikament-Netzwerke, Krankenhausüberweisungen, Protein–Protein-Interaktionen oder Wirkstoff–Target-Beziehungen. Sie ermöglichen leistungsstarke Prädiktionen bei Netzwerkabhängigkeiten, z. B. Nebenwirkungs- oder Wirkstoffentdeckung.

In Public Health finden GNNs Anwendung bei der Modellierung Kontakt- und Mobilitätsnetzwerke, der Analyse räumlich-relationaler Ausbreitungsmuster sowie bei multimodalen Daten (Regionen, Demografie, Mobilität). Sie sind primär prädiktiv; kausale Interpretationen erfordern zusätzliche Annahmen und Designs.

Sonstiges

Erfasst explizit relationale Abhängigkeiten

Hoher Rechen- und Datenbedarf bei großen Graphen

Erklärbarkeit erfordert zusätzliche Methoden

Semantik

Wikidata-Identifikator ist: Q55305029

Deutsche Wikipediaseite ist: wiki/Graph-Neuronales_Netzwerk

Englische Wikipediaseite ist: Graph_neural_network

Quelle: Scarselli et al. (2009), The Graph Neural Network Model; Kipf & Welling (2017), Semi-Supervised Classification with GCNs

Behandlung von Unsicherheit in den Ergebnissen der Methode ist implizit

Für die Methode benötigte Datenmenge ist mittel;groß„Mittel;groß“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.

Zweck der Methode ist Vorhersage„Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Tiefes Lernen;Maschinelles Lernen;Hybrid„Tiefes Lernen;Maschinelles Lernen;Hybrid“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist mittel;schlecht„Mittel;schlecht“ befindet sich nicht in der Liste (Gut, Mittel, Schlecht) zulässiger Werte für das Attribut „Interpretierbarkeit der Ergebnisse der Methode ist“.

Webseite: https://pytorch-geometric.readthedocs.io/