基于图的神经网络是一种神经网络，旨在处理结构化为图形的数据。在图中，数据点表示为节点，而这些点之间的关系表示为边。这使得基于图形的神经网络对于涉及非欧几里德数据的任务特别有用，例如社交网络，分子结构或运输系统。与传统神经网络不同，传统神经网络通常处理网格状数据 (如图像或时间序列)，基于图的网络可以直接对数据中的复杂关系和交互进行建模。
基于图形的神经网络的一个常见示例是图形卷积网络 (gcn)。Gcn将在标准卷积神经网络 (cnn) 中发现的卷积操作扩展到图形。在实践中，这意味着gcn可以聚合来自节点的邻居的信息以更新其自己的表示。此功能支持诸如节点分类之类的任务，其中人们可能希望对社交网络中的用户进行分类，或者根据它们的连接对化合物中的原子进行分类。通过合并图的结构，gcn可以利用节点之间存在的相关性和关系，从而在各种任务上实现更好的性能。
另一个例子是图注意力网络 (GATs)，它将注意力机制引入图处理。在GATs中，网络在汇总信息时学会权衡不同邻居的重要性。这种注意机制使模型能够专注于最相关的关系，而不是平等地对待所有连接。这种方法可以提高链路预测和社区检测等应用的性能，在这些应用中，理解特定边缘的重要性可能是至关重要的。总的来说，基于图的神经网络是强大的工具，为建模固有关系的数据提供了独特的功能。