Graph Neural Networks erklärt
Ein Graph Neural Network lernt auf Daten, die aus Knoten und Kanten bestehen: Kunden und ihre Nachbarn, Depots und Straßen. In jeder Schicht reicht ein Kunde Information an seine Nachbarn weiter und sammelt ihre ein; wie er sie sammelt (mitteln, gewichten, zählen, über das ganze Netz vergleichen), unterscheidet die sechs Stücke dieser Linie. Sie ist die zweite Linie dieses Portfolios mit überwachtem Lernen nach den Baumbasierten Verfahren: Von wenigen Kunden ist die Antwort bekannt, für die übrigen wird sie vorhergesagt.
Fünf der sechs Demos arbeiten im selben erzeugten Liefergebiet (Kunden in räumlichen Gebietstypen, ein Graph der nächsten Nachbarn) oder in erzeugten Varianten davon; das Netz ist jeweils von Grund auf in numpy geschrieben. Die Nachbarschaftsgraphen sind dieselben, auf denen Tourenplanung und Netzwerkdesign rechnen; hier lernt ein Netz auf ihnen, statt dass ein Optimierer über sie läuft. Jede Demo hält auch fest, was nicht funktioniert hat: Mehrere der ursprünglich erwarteten Vorteile haben sich in der Messung nicht bestätigt.
In short: Covers graph neural networks: GCN, GraphSAGE, GAT, GATv2, GIN and graph transformers, which learn on node and edge data via message passing. Interactive demos compare how each architecture aggregates neighbor information, with measured results.
Hintergrund zum Thema: Tourenplanung · Netzwerkdesign.
Diese Seite gehört zu Algorithmen und Verfahren erklärt. So lesen Sie sie: Das Diagramm zeigt, wie die Stücke zusammenhängen. Jede Kachel darunter öffnet eine interaktive Demo, wo es eine gibt, mit einer Erklärseite für Einsteiger und Fachleute. Auf der Suche nach einer Lösung für ein konkretes Problem? Zu den Interaktiven Demos.
Hinweis: Alle Demos rechnen mit synthetischen oder frei verfügbaren Beispieldaten und laufen auf einem externen Anbieter (Datenschutz). Bitte geben Sie darin keine vertraulichen oder personenbezogenen Daten ein. Die Ergebnisse gelten für die jeweilige Demo-Instanz und lassen sich nicht ungeprüft auf reale Fälle übertragen; für darauf gestützte Entscheidungen übernehme ich keine Gewähr.
Zuletzt aktualisiert:
Welches Verfahren passt zu Ihrem Fall? Zum Entscheidungsbaum ↓
Die sechs Stücke im Überblick
Die Linie hat eine Wurzel und drei Wege. Das GCN mittelt die Nachbarn und ist die Wurzel. GraphSAGE gibt dem Kunden ein eigenes Gewicht neben dem seiner Nachbarn und fängt damit falsche Kanten ab; das GAT lernt ein Gewicht je Nachbar, und das GATv2 lässt dieses Gewicht vom fragenden Kunden abhängen. Das GIN summiert statt zu mitteln, als Gegenstück, das nicht einen Fehler des GCN behebt, sondern eine andere Frage beantwortet: wie viele Nachbarn es sind.
In dieser Demo-Reihe führt der Graph Transformer die Stränge zusammen: Er dehnt die Aufmerksamkeit des GATv2 von den direkten Nachbarn auf das ganze Netz aus und braucht für große Netze die Stichprobe von GraphSAGE. Die Kanten nennen, was jeweils behoben wird; wo eine erwartete Verbesserung in der Messung ausblieb, steht das in der Kachel.
Die Kästen sind klickbar und öffnen die jeweilige Demo direkt.
- behebt eine Schwäche des Vorgängers oder baut darauf auf
- Gegenstück: derselbe Zweck, andere Bauweise (kein Fix)
- übernimmt nur eine Idee
- Zusammenfluss mehrerer Stränge
Der Doppelrahmen (Graph Transformer) markiert das Stück, in dem zwei Stränge zusammenlaufen: die Aufmerksamkeit aus dem GAT-Ast und die Stichprobe für große Netze aus dem GraphSAGE-Ast (nur als Idee, in der Demo nicht nachgebaut).
Verwandt in anderen Linien
- Neuronale Netze — Jedes der sechs Stücke hier baut intern ein eigenes MLP mit Backpropagation, etwa im GCN, dort nur Baustein für die Graph-Mechanik. Die Neuronale-Netze-Linie macht genau dieses Fundament selbst zum Thema.
- Netzwerkanalyse — Wie viel die Nachbarschaft allein verrät, misst die Link-Prediction-Demo der Linie Netzwerkanalyse ohne lernende Verfahren; die Schelling-Demo zeigt, wie sich ähnliche Nachbarschaften (Homophilie) erst durch Umzüge bilden.
GCN: Nachbarn statt Etiketten im Liefergebiet
Sehen Sie, wie ein Graph Convolutional Network jeden Kunden mit den Merkmalen seiner Nachbarn mischt, um aus wenigen bekannten Gebietstypen die übrigen vorherzusagen. Ein Vergleich mit einem Netz ganz ohne Nachbarn zeigt live, wie viel der Graph bringt. Der Haken: Der Graph schadet, wenn die Kanten nicht stimmen: Bei zufällig ersetzten Kanten fällt das GCN auf 46,2 %, das Netz ohne Nachbarn bleibt bei 57,8 %.
Demo starten →GraphSAGE: ein Gewicht für den Kunden, eines für die Nachbarn
Sehen Sie, wie GraphSAGE das Gewicht des Kunden von dem seiner Nachbarn trennt und im Training nur eine Stichprobe der Nachbarn zieht. Ein Regler für falsche Kanten und einer für die Stichprobengröße zeigen live, wie das eigene Gewicht bei falschen Nachbarn auf dem Niveau des Netzes ohne Nachbarn schützt. Der Haken: Bei sauberen Kanten liegt GraphSAGE im Standardfall 2,7 Punkte hinter dem GCN, der Vorteil ist eine Versicherung, kein Gewinn.
Demo starten →GAT: lernbare Aufmerksamkeit auf Nachbarn
Sehen Sie, wie ein Graph Attention Network für jeden Nachbarn ein Gewicht aus den Merkmalen lernt, statt alle gleich zu mitteln, etwa wenn manche Kunden unzuverlässig melden. Ein Vergleich mit derselben Architektur ohne Aufmerksamkeit zeigt live, wie viel sie bringt. Der Haken: Die Aufmerksamkeit legt im Mittel 74 % ihres Nachbargewichts auf unzuverlässige Nachbarn, sie hilft, ohne zu tun, was man erwartet.
Demo starten →GATv2: Aufmerksamkeit, die vom Fragenden abhängt
Sehen Sie, wie GATv2 die Nachbarn für jeden Fragenden neu bewertet, statt sie wie das GAT für alle Fragenden gleich zu ordnen. Eine Lager-Suche, bei der jeder Kunde das Lager mit seinem Artikelcode finden muss, zeigt bei sechs Lagern 96,0 % gegen 68,7 % beim GAT. Der Haken: Bei falschen Kanten im Liefergebiet bringt es nichts, der Vorteil zeigt sich nur, wenn die Bewertung vom Fragenden abhängen muss.
Demo starten →GIN: Summe statt Mittel, Nachbarn zählen
Sehen Sie, wie ein Graph Isomorphism Network die Nachbarn summiert statt mittelt und so mitzählt, wie viele es sind. Drei Fragen an dieselbe Nachbarschaft (Anteil, Anzahl, Dichte) zeigen live, welche Aggregation zu welcher Frage passt. Der Haken: Beim Anteil gewinnt das Mittel (GraphSAGE 99,2 % gegen GIN 92,3 %), und die ungeteilte Summe lässt sich schlecht trainieren.
Demo starten →Graph Transformer: Aufmerksamkeit über das ganze Netz
Sehen Sie, wie ein Graph Transformer auf alle Kunden achtet und die Netzentfernung als gelernte Verschiebung der Aufmerksamkeit nutzt. Die Frage, ob ein Kunde höchstens k Fahrten vom Depot entfernt liegt, zeigt, wo begrenzte Reichweite schadet: bei acht Fahrten 97,1 % gegen 69,1 % beim GCN. Der Haken: Bei kurzen Entfernungen liegt das GCN vorn, und bei lauter gleichen Merkmalen sehen Kreis und zwei Dreiecke für jedes Modell gleich aus.
Demo starten →Welches Verfahren passt zu meiner Frage?
Ein Entscheidungsbaum über alle sechs Stücke, entlang der Frage, woran die Antwort für einen Kunden hängt: an seinen direkten Nachbarn, an einem weit entfernten Ziel oder an der Form des ganzen Netzes. Alle Antworten stützen sich auf Messungen in den Demos.
Welches Stück passt zu meiner Frage?
Beige Kästen sind Fragen (nicht klickbar), weiße Kästen sind Ergebnisse (klickbar, sie öffnen die jeweilige Demo). Was der Baum nicht zeigt: Die Stücke bauen aufeinander auf (siehe Graph), der Baum ordnet nur nach der Frage. Die Antworten gelten für die erzeugten Vehikel der Demos und die dort gemessenen Größen; bei zufälligen Kanten liegt keines der Verfahren deutlich über dem Netz ohne Nachbarn.
Weitere Linien in diesem Bereich
Clustering
Punkte ohne Vorgaben gruppieren: von k-Means über DBSCAN, Gaussian Mixtures und Spectral Clustering bis HDBSCAN, mit Entscheidungsbäumen für die Wahl.
Dimensionsreduktion
Zwölf Kennzahlen auf zwei Achsen: PCA, Isomap, LLE, t-SNE, UMAP, PaCMAP und Autoencoder, jedes mit gemessenen Stärken und Schwächen.
Anomalie-Erkennung
Was fällt aus dem Rahmen? Neun Verfahren von der robusten Ellipse bis zum Autoencoder, jedes mit seiner gemessenen Schwäche.
Korrelation
Wann sagt eine Korrelation, was sie zu sagen scheint, und wann täuscht sie? Elf Stücke von Pearson bis Kointegration.
Baumbasierte Verfahren
Ein Baum wird zum Wald, dann zum Ensemble, das seine eigenen Fehler nachbessert: neun Verfahren von CART bis CatBoost, die erste Linie dieses Portfolios mit überwachtem Lernen.
Zeitreihen-Prognose
Wie prognostiziert man die Tagesaufträge eines Depots, und wie sicher ist die Prognose? Elf Verfahren von der naiven Messlatte bis zum vortrainierten Netz, mit ehrlichen Negativbefunden.
Neuronale Netze
Wo hört eine Gerade auf zu reichen, und was kommt danach? Sechs Architekturen vom einfachsten Klassifikator bis zum Aufmerksamkeitsmechanismus, an eigenen numpy-Implementierungen von Hand nachgerechnet.
Reinforcement Learning
Ein Lagerroboter lernt ohne Vorgabe der richtigen Antwort: acht Verfahren, jedes mit seinem gemessenen Befund, vom einfachsten Banditen bis zum gelernten Kritiker.
Experimente und Wirkungsmessung
Eine neue Bestandsregel, zwölf Stücke: vom einfachen A/B-Test über Teststärke, Zwischenblicke und Switchback bis zur Auswertung aus Logdaten.
Kausale Diagramme und Adjustierung
Eine Simulation mit bekannter Wahrheit, siebzehn Stücke: von der Konfundierung über Diagramm, Adjustierung, Schätzen, Frontdoor und Instrumente bis zum gelernten Diagramm, dem Fehler im Diagramm und dem Vergleich der Strategien.