.fb-comments,.fb-comments span,.fb-comments span iframe[style]{min-width: 100%!important;width:100%!important}
As redes neurais nativas do gráfico, ou GNNs, oferecem uma estratégia fácil de usar para realizar trabalhos de previsão de grau de nó, estágio de borda e estágio de gráfico. Essas estratégias de aprendizado profundo são especialmente criadas para executar inferências em informações representadas por gráficos. Os GNNs compensam as deficiências das Redes Neurais Convolucionais (CNNs). Além de obter usos úteis em uma variedade de campos tão diversos quanto a modelagem de unidades físicas reais, o domínio de impressões digitais químicas, a previsão de interações de proteínas e a categorização de redes sociais, os GNNs têm o poder elétrico para tornar os equipamentos que descobrem versões multimodais. A melhor maneira de progredir no desenvolvimento de GNN é criar estruturas de software de computador que possam estudar a partir de detalhes estruturados em grafos com mais eficiência. O TensorFlow GNN (TF-GNN) é uma biblioteca escalável para redes neurais de gráfico no TensorFlow. Esta biblioteca Python permite instrução GNN e inferência em fatos estruturados em grafos, fazendo uso de fatos relacionais heterogêneos para fazer versões GNN. Um grupo de especialistas do Google Main ML, Google Study e DeepMind abriram esta biblioteca TF-GNN em seu relatório mais atual.
Fonte: https://arxiv. org/pdf/2207.03522.pdf
As redes neurais gráficas podem ser treinadas e inferidas em qualquer forma de fatos estruturados em gráficos usando TF-GNN. O TF-GNN adicionou benefícios ao permanecer um componente do ecossistema TensorFlow. Isso inclui itens como orientação para componentes matemáticos rápidos, como modelos de processamento tensor (TPUs) e modelos pré-treinados adequadamente para várias modalidades, como PNL. A biblioteca apresenta aos desenvolvedores quatro partes distintas da API com diferentes faixas de abstração, possibilitando que eles usem versões GNN robustas, independentemente de seu diploma de know-how. Para usuários bem informados, a biblioteca oferece um estágio de conhecimento que pode ser aplicado para carregar gráficos heterogêneos no TensorFlow e caracterizá-los. A biblioteca fornece um estágio de intercâmbio de fatos para transmitir informações entre os nós e arestas de um grafo para consumidores intermediários. O design que fornece transformações treináveis das informações compartilhadas nos gráficos tende a compor a 3ª quantidade de sua estrutura de API. Um kit de ferramentas “Orquestrador” foi projetado que incorpora objetivos de descoberta de gráficos muito bem-favorecidos, habilidades de educação dispersas e auxílio acelerador, tornando-o apropriado para iniciantes com pouca ou nenhuma informação de codificação. Este kit de ferramentas facilita a entrada de conhecimento, processamento de atributos, instrução e validação. O TF-GNN é amplamente utilizado em grupos internos do Google. A empresa espera que, ao produzir a biblioteca de código aberto, muito mais construtores de diferentes conhecimentos sejam capazes de produzir GNNs e realmente incentivar a aplicação simples dessas versões futuras em indústrias adicionais.
Este artigo foi criado como um resumo da equipe do Marktechpost, dependendo do documento de investigação’TF-GNN: Graph Neural Networks in TensorFlow‘. Toda a pontuação de crédito para esta exploração vai para os cientistas nesta tarefa. Confira o papel e conexão do github. Você não deve esquecer para participar do Nosso subreddit de ML Avalie esta postagem
Compartilhamento é cuidado!