Sumário
- #12. Representando interações moleculares
- #13. previsão de tráfego
- #14. Outras aplicações
- Recursos de aprendizagem
- #1. Graph Neural Networks por Lingfei Wu e outros
- #2. Redes neurais gráficas em ação
- #3. Introdução às Redes Neurais Graficadas por Zhiyuan Liu
- #4. Graph Neural Network por Younes Sadat-Nejad
- Conclusão
No NLP, o texto é considerado um dado sequencial descrito por um LSTM (Long Short-Term Memory) ou RNN (Recurrent Rede neural) . Muitas tarefas de PNL usam muito gráficos porque são fáceis de representar e parecem naturais e brutos.
Os GNNs são usados na solução de muitos problemas de NLP, como encontrar semântica em tradução automática, classificação de texto, extração de relação, classificação de texto, resposta a perguntas e muito mais.
Descobrir o fármaco ou a cura para uma doença ou doença não é apenas um desafio para a química, mas também para a sociedade. Este campo requer pesquisa minuciosa e bilhões de dólares e anos para formular um medicamento que cure uma doença.
Os GNNs com IA podem ajudar a encurtar os processos de pesquisa e triagem para que um medicamento mais seguro e eficaz possa ser liberado ao público mais rapidamente.
#12. Representando interações moleculares
Os GNNs são úteis na Física de Partículas, que lida com as leis relativas às interações de partículas. Os gráficos podem ser usados aqui para entender as relações e interações entre as partículas. GNNs podem ajudar a prever as propriedades da dinâmica de colisão.
Atualmente, o Large Hadron Collider (LHC) usa GNNs para identificar partículas interessantes a partir de imagens geradas em vários experimentos.
#13. previsão de tráfego
Um dispositivo ou sistema de transporte inteligente envolve previsão de velocidade de tráfego e densidade de estradas como características principais. Essas tarefas de previsão podem ser feitas com a ajuda de STGNNs ou redes neurais de grafos espaço-temporais.
Aqui, a rede de tráfego será considerada como um grafo espaço-temporal com nós como sensores posicionados nas estradas e arestas são as distâncias entre os pares de nós. Além disso, considere que cada nó terá uma velocidade média de tráfego como entrada.
#14. Outras aplicações
Além do acima, os GNNs são usados na modelagem de registros de saúde eletrônica, prevenção de ataques adversários, redes cerebrais, previsão de influência social, programa, raciocínio, verificação de programa, previsão de resultados eleitorais e muito mais.
Recursos de aprendizagem
Abaixo estão alguns dos melhores livros para aprender sobre GNNs.
#1. Graph Neural Networks por Lingfei Wu e outros
Este livro é um guia abrangente para GNNs que discute os objetivos do aprendizado de representação gráfica.
Ele também elucida os desenvolvimentos atuais, a história e o futuro dos GNNs, juntamente com algumas de suas teorias e métodos básicos.
#2. Redes neurais gráficas em ação
É um guia prático para modelos de aprendizado profundo baseados em gráficos e como construir GNNs avançados para modelagem molecular, mecanismos de recomendação e muito mais.
#3. Introdução às Redes Neurais Graficadas por Zhiyuan Liu
Aprenda os conceitos básicos, aplicações e modelos de GNNs.
#4. Graph Neural Network por Younes Sadat-Nejad
é uma introdução curso para GNNs disponíveis na Udemy. Ele irá ajudá-lo a aprender Graph Representational Learning e GNN.
Conclusão
Com a crescente popularidade da IA e os gráficos se tornando mais sofisticados e ricos em dados, as Graph Neural Networks (GNNs) estão surgindo para serem mais úteis. Eles são uma ferramenta poderosa para fazer previsões e são aplicados em vários setores, desde redes e visão computacional até química, física e saúde.
Você também pode explorar regressão vs. classificação em aprendizado de máquina.