Graph Neural Network: Der nächste Schritt für Deep Learning

Bei der Entwicklung von künstlichen Intelligenzen ist der Lernprozess entscheidend. Machine Learning (und Deep Learning im Besonderen) wird eingesetzt, um Algorithmen zu trainieren und so der Software das eigenständige Denken beizubringen. Die Gesichtserkennung basiert beispielsweise auf solchen Techniken. Basis von vielen Machine-Learning-Ansätzen sind künstliche neuronale Netze: Die Algorithmen der Software werden als Netzwerk aus Knotenpunkten konzipiert, wie man es vom menschlichen Nervensystem kennt. Ein neuer Ansatz sind sogenannte Graph Neural Networks. Wie funktioniert diese Technik?

Graph Neural Networks (GNN) sind eine neue Unterform von künstlichen neuronalen Netzen (englisch: Artificial Neural Networks) auf der Basis von Graphen. Um GNNs zu verstehen, muss man also zunächst wissen, was in diesem Zusammenhang mit einem Graph gemeint ist. In der Informatik versteht man unter dem Begriff einen bestimmten Datentyp: Ein Graph besteht aus mehreren Punkten (Knoten oder vertices), die miteinander in Verbindung stehen (über Ecken oder edges) und so Paare bilden. Als einfaches Beispiel: Person A und Person B können in einem Graph als Punkte realisiert werden. Ihre Beziehung zueinander ist dann die Verbindung. Würden die Verbindungen wegfallen, hätte man nur eine Sammlung von Personen, beziehungsweise von Daten.

Eine bekannte Unterform eines Graphen ist der Baum: Dort sind die Knotenpunkte so miteinander verbunden, dass es immer nur einen Pfad (auch über mehrere Knotenpunkte hinweg) zwischen Punkt A und Punkt B gibt. Die Kanten können entweder eine Richtung oder keine Richtung haben. Bei einem Graphen sind die Verbindungen genauso wichtig wie die Daten selbst. Sowohl jede Kante als auch jeder Knoten können mit Attributen versehen werden.

Ein Graph ist also bestens geeignet, reale Gegebenheiten darzustellen. Genau das ist eine Herausforderung bei Deep Learning: natürliche Zustände für Software greifbar machen. Ein Graph Neural Network ermöglicht genau das: In einem GNN sammeln Knoten Informationen von ihren Nachbarn, da die Knoten untereinander regelmäßig Nachrichten austauschen. Auf diese Weise kann das Graph Neural Network lernen: Informationen werden weitergegeben und in die Eigenschaften des jeweiligen Knotens aufgenommen.

Bisher befassen sich in erster Linie Wissenschaftlicher mit den Möglichkeiten von Graph Neural Networks. Die vorgeschlagenen Einsatzmöglichkeiten sind aber vielfältig. Immer dann, wenn Situationen oder Prozesse, bei denen Beziehungen eine große Rolle spielen, über neuronale Netze abgebildet werden sollen, ist der Einsatz von GNNs sinnvoll.

• Finanzmarkt: Marktprognosen können durch Verständnis der Transaktionen zuverlässiger werden.
• Suchmaschinen: Für die Einschätzung der Wichtigkeit von Websites sind die Verbindungen der Seiten entscheidend.
• Soziale Netzwerke: Beziehungen zwischen Menschen besser zu verstehen, kann helfen, Social Media zu optimieren.
• Chemie: Die Zusammensetzung von Molekülen lässt sich über Graphen abbilden und kann somit in GNNs übertragen werden.
• Wissen: Für die perfekte Bereitstellung von Wissen ist das Verständnis der Informationsverknüpfungen entscheidend.

Auch in der Bild- und Spracherkennung werden Graph Neural Networks bereits eingesetzt. Die unstrukturierten, natürlichen Informationen können durch ein GNN unter Umständen besser verarbeitet werden als durch traditionelle neuronale Netze.

Graph Neural Networks helfen bei Herausforderungen, die traditionelle neuronale Netze bisher nur unzureichend meistern konnten. Daten, die auf einem Graph basieren, ließen sich zuvor nicht korrekt bearbeiten, da die Verbindungen der Daten nicht ausreichend gewichtet wurden. Bei GNNs sind die sogenannten Kanten aber genauso wichtig wie die Knotenpunkte selbst.

Andere Probleme, die neuronale Netze mit sich bringen, können aber auch durch Graph Neural Networks nicht gelöst werden. Besonders das Problem der Black Box dürfte bestehen bleiben: Es ist schwer zu verstehen, wie ein (Graph) Neural Network zu der finalen Einschätzung gelangt, da man die intern ablaufenden Prozesse der komplexen Algorithmen von außen kaum nachvollziehen kann.