Graph Neural Networks: İlişkilerin Sinir Ağları

"Düz" değil "ilişkili" veri

Klasik makine öğrenmesi düz veri ile çalışır:

• Resim: Piksel ızgarası.
• Metin: Token dizisi.
• Tablo: Satır-sütun.

Bu yapılarda düzenli yapı var: her piksel komşusunu bilir, her kelime sonrakini.

Ama dünya çoğunlukla graf şeklindedir:

• Sosyal ağ: Kişi A → Kişi B arkadaş.
• Molekül: Atom A → Atom B bağlı.
• Web: Sayfa A → Sayfa B link.
• Trafik: Yol A → Yol B kavşak.

Bu yapılar düzensiz: her düğümün farklı sayıda komşusu olabilir. Klasik CNN ve transformer doğrudan uymaz.

GNN — fikir

Graph Neural Network: her düğümün vektör temsili komşularından gelen mesajlarla güncellenir. Bu mesaj geçirme (message passing).

Adım:

1. Her düğüm bir vektör $h_v$.
2. Her düğüm komşularından mesaj alır: $m_v = \text{aggregate}(h_u : u \in N(v))$.
3. Kendi temsilini günceller: $h_v' = \text{update}(h_v, m_v)$.
4. Bunu $L$ katman tekrarla.

Bu mimari farklı düğüm sayısı, farklı bağlantı yapısı için doğal.

GCN — Graph Convolutional Network

2017'de Kipf ve Welling (Amsterdam Üniversitesi, Kingma'nın ekibi) GCN'i yayımladı. Konvolüsyonun graf versiyonu:

$$H^{(l+1)} = \sigma(\tilde{D}^{-1/2} \tilde{A} \tilde{D}^{-1/2} H^{(l)} W^{(l)})$$

Karmaşık görünür ama sezgi sade: her düğümün vektörü, kendisinin ve komşularının ağırlıklı ortalaması. $\tilde{A}$ normalize edilmiş bağlantı matrisi, $W$ öğrenilen dönüşüm.

GCN sosyal ağda sınıflandırma, biyolojik veriler, öneri sistemlerinde standart oldu.

GAT — Graph Attention Network

2018'de Veličković ve ark. GAT'ı önerdi. GCN'in eşit ağırlık varsayımı yerine, attention ile öğrenilen ağırlıklar.

Sezgi: bir kişinin etrafında 10 arkadaş. Hepsi eşit önemli değil. Bazıları kararlarını daha çok etkiler. GAT bunu öğrenir.

Transformer'in attention mekanizması, graf üzerinde — modern GNN'lerin standart bileşeni.

Mesaj geçirme paradigması

Modern GNN literatürünün ortak çatısı: mesaj geçirme. Düğümler birbirlerine bilgi yollar:

$$m_{ij} = M(h_i, h_j, e_{ij})$$

$M$ mesaj fonksiyonu, $e_{ij}$ kenar özellikleri. Çeşitli aggregation fonksiyonları (sum, mean, max, attention).

Bu çerçeve PyTorch Geometric ve DGL kütüphanelerinde standart. Modern GNN araştırmasının ana paradigmasıdır.

Uygulamalar

GNN'ler çok geniş uygulama alanlarında:

Biyoloji

• AlphaFold: Protein katlanması — amino asitler grafı.
• İlaç keşfi: Molekül-hedef etkileşimi.
• Hastalık tahmini: Gen ifade grafı.

Sosyal ağ

• Öneri sistemleri: Facebook, LinkedIn arkadaş önerisi.
• Sahtekarlık tespiti: Ödeme grafında anormallikler.
• Topluluk tespiti: Twitter'da konu grupları.

Trafik

• Google Maps ETA tahminleri: DeepMind GNN ile yol grafında ETA optimizasyonu.
• Otonom araç: Kavşak ve diğer araç bağlantıları.

Fizik

• Çok-cisim simülasyonları: Parçacık etkileşimleri grafı.
• Akışkanlar dinamiği: Mesh nodları grafı.

Bilgisayar bilimi

• Kod analizi: AST (Soyut Sözdizim Ağacı) grafı.
• Veritabanı: Tablo-tablo ilişkileri.

AlphaFold ile bağlantı

AlphaFold 2 (2021) GNN'lerin en görünür başarısıdır. Protein bir amino asit zincirinden katlanır. GNN bu katlanmayı amino asit grafı üzerinde modeller.

Komşu amino asitlerin etkileşimi → attention. Tüm protein → bir graf. AlphaFold bu çerçevede 50 yıldır çözülemeyen protein katlanma problemini çözdü.

Transformer ile yarış

Modern AI'da GNN ile transformer'in ilişkisi karmaşık. Transformer, tam grafik üzerinde GNN'in özel hâli — her token her tokenu görür (full attention).

Pratik fark:

• Transformer: Yoğun bağlantı için iyi (dil, kısa diziler).
• GNN: Seyrek bağlantı için iyi (büyük graflar, sosyal ağ).

Birçok modern model her ikisini birleştirir. Örnek: Graphormer, transformer'i graflarda kullanır.

"AlphaFold yıldızı, ama..."

GNN'lerin son 5 yılda göreceli azalan akademik ilgisi var. Sebep: LLM patlaması her dikkat çekti.

Ama uygulamalı dünyada GNN'ler hâlâ kritik:

• İlaç şirketleri.
• Sosyal medya altyapısı.
• Trafik optimizasyonu.

Modern ilgi multimodal AI tarafından çekildiyse de niş ama derin kullanım sürüyor.

Sade ders

GNN hikâyesinden iki şey:

1. Veri yapısı modelin formuyla eşleşmeli. Resim için CNN, dizi için RNN/Transformer, graf için GNN. Doğru indüktif bias problemin doğal yapısından gelir.
2. Akademik moda her şey değildir. GNN'ler LLM çağında daha az konuşulur, ama AlphaFold, Google Maps, ilaç keşfinde merkezdeler. Görünmez ama vazgeçilmez kategorisi.

Bağlam

AlphaFold için: [[alphafold-protein-katlama-problemi]] (varsa). Transformer ile yarış için: [[transformer-attention-is-all-you-need]]. Kingma ve Welling ekolü için: [[diederik-kingma-vae-ve-adam-i-yazan-hollandali]]. Bayes grafları için: [[bayes-aglari-judea-pearl]] (klasik graf model atası). DeepMind için: [[demis-hassabis-deepmind-in-vizyoner-kurucusu]].