Graph Neural Networks (GNN)

Wat zijn graph neural networks?

Graph neural networks (GNN’s) zijn neurale netwerken die speciaal zijn gebouwd voor data in de vorm van een netwerk: punten (knopen) met verbindingen (randen) ertussen. Denk aan een sociaal netwerk van mensen en hun relaties, een molecuul van atomen en bindingen, of een logistiek netwerk van locaties en routes. Waar een gewoon neuraal netwerk losse rijen data verwerkt, leert een GNN juist van de verbindingen: wie of wat met wie verbonden is, zegt vaak meer dan de losse punten zelf.

Hoe werkt het?

Elke knoop in het netwerk begint met zijn eigen kenmerken, bijvoorbeeld de eigenschappen van een klant of een product. Het GNN laat knopen vervolgens informatie uitwisselen met hun buren: iedere knoop verzamelt de kenmerken van aangrenzende knopen, voegt die samen en werkt zijn eigen beschrijving bij. Door dit een paar rondes te herhalen weet elke knoop steeds meer over zijn omgeving in het netwerk. Met die verrijkte beschrijvingen kan het model voorspellingen doen over knopen (is dit account frauduleus?), over verbindingen (welke twee producten worden vaak samen gekocht?) of over het hele netwerk (is dit molecuul een kansrijk medicijn?).

Wat heb je eraan als bedrijf?

GNN’s draaien op de achtergrond van veel diensten die je dagelijks gebruikt: aanbevelingen in webshops, fraudedetectie bij banken en routeplanning in de logistiek. Voor het MKB is het vooral nuttig om te weten dat dit de techniek is die past zodra je data over relaties gaat, zoals leveranciersnetwerken of klantverwijzingen. Zelf bouwen is specialistenwerk; meestal koop je het in als onderdeel van een product.

Gerelateerde begrippen

Een GNN is een gespecialiseerde vorm van een artificial neural network binnen het bredere veld van deep learning. De netwerkstructuur waarop een GNN werkt lijkt op een knowledge graph, en voor beelddata bestaat een vergelijkbare specialisatie: convolutional neural networks.