💡一句話定義
圖神經網路(GNN,Graph Neural Network)= 專門處理「節點+邊」這種關係資料的神經網路。每個節點反覆做三件事:收鄰居的訊息 → 聚合 → 更新自己,最後得到一個同時記住「自己的特徵」和「周圍關係」的向量。
這裡的「圖」是 Graph(關係網),不是圖片(Image)。一張圖由兩種東西組成:
- 節點(node):人、帳號、商品、論文、原子……每個節點可以帶自己的特徵。
- 邊(edge):把節點連起來的關係,像好友、轉帳、購買、引用、化學鍵。
🗣️用「打聽消息」來想
所以 2 層的 GNN,每個節點能「看到」2 跳以內的鄰居。物以類聚的資料特別適合:詐騙帳號常互相往來、同領域的論文會互相引用、買過同一樣東西的人口味相近。
🧭先看資料長什麼形狀,再選模型
整齊的格子 → CNN
影像。每一格的鄰居都是固定的上下左右。
影像。每一格的鄰居都是固定的上下左右。
一條線 → RNN/Transformer
文字、語音、時間序列。有明確的前後順序。
文字、語音、時間序列。有明確的前後順序。
關係網 → GNN
社群、交易、分子、路網。鄰居數不固定,也沒有先後順序。
社群、交易、分子、路網。鄰居數不固定,也沒有先後順序。
為什麼不能直接拿 CNN 來用?卷積核要求每個位置的鄰居「數量固定、位置固定」。圖上的節點,有人 2 個朋友、有人 2,000 個,鄰居也沒有誰排第一。所以 GNN 的聚合方式必須跟鄰居的順序無關:平均、加總、取最大都符合這個條件。
🎮互動:訊息一輪一輪傳
下面是 9 個社群帳號,圈圈裡的數字是「可疑程度」(0 正常,100 很可疑)。帳號 X、Y、Z 已知有問題,新帳號自己看不出好壞(50)。按「傳遞一輪」,看每個帳號怎麼被鄰居影響;點任何一個帳號,可以看它下一輪的算式。
訊息傳遞實驗室
每按一次=GNN 多疊一層=每個帳號多看一跳鄰居
聚合方式:
正常 0100 可疑
你點的帳號
它的鄰居
訊息已經傳得到的範圍
已傳 0 輪
帳號之間的差異100%
試試看:先傳 1~2 輪,新帳號的數字被旁邊的可疑帳號拉高,這就是 GNN 有用的地方。再按「連傳 10 輪」,所有帳號的數字越來越接近,最後分不出誰可疑——這叫過度平滑(over-smoothing),也是 GNN 通常只疊 2~3 層的原因。
🧮一層 GNN 在算什麼
① 訊息 Message每個鄰居把自己目前的向量送過來。
→
② 聚合 Aggregate把收到的訊息合成一份:平均、加總、取最大,或用注意力加權。
→
③ 更新 Update乘上要學的權重、過激活函數,得到這個節點的新向量。
hv(k) = σ( W(k) · AGG{ hu(k−1) : u ∈ N(v) ∪ {v} } )
hv 是節點 v 的向量、N(v) 是 v 的鄰居、AGG 是聚合函數、W 是這一層要學的權重、σ 是激活函數。重點有兩個:同一層所有節點共用同一組 W(跟 CNN 的權重共享同一個道理),而且所有節點是同時更新的,用的都是上一層的值。
訓練 GNN 要給它兩樣東西:節點特徵矩陣 X(每個節點一列)和圖怎麼連(鄰接矩陣 A,或一份邊的清單)。少了第二樣,它就只是一般的神經網路。
🎯GNN 可以回答三種層級的問題
🔵節點層級
這個節點是哪一類?例:這個帳號是不是詐騙、這篇論文屬於哪個領域。常見做法是只有少數節點有標籤的半監督式節點分類。
這個節點是哪一類?例:這個帳號是不是詐騙、這篇論文屬於哪個領域。常見做法是只有少數節點有標籤的半監督式節點分類。
🔗邊層級
這兩個節點之間該不該有邊?例:你可能認識的人、你可能會買的商品、知識圖譜缺了哪條關係。也叫鏈結預測。
這兩個節點之間該不該有邊?例:你可能認識的人、你可能會買的商品、知識圖譜缺了哪條關係。也叫鏈結預測。
🕸️整張圖層級
這一整張圖是什麼?例:這個分子有沒有毒性。要先把所有節點的向量彙總(readout/池化)成一個向量,再做預測。
這一整張圖是什麼?例:這個分子有沒有毒性。要先把所有節點的向量彙總(readout/池化)成一個向量,再做預測。
🏷️常見的 GNN 家族
| 模型 | 聚合方式 | 記這一句 |
|---|---|---|
| GCN | 把自己和鄰居的向量做正規化後的平均 | 最基本的圖卷積;原始做法是整張圖一起算 |
| GraphSAGE | 每次只抽樣一部分鄰居再聚合 | 適合很大的圖,也能處理訓練時沒看過的新節點 |
| GAT | 用注意力幫每個鄰居算不同的權重 | 鄰居不是一樣重要時用它 |
| GIN | 加總 | 分辨不同圖結構的能力強,常用在整張圖的分類 |
GAT 用的注意力,和 Transformer 的注意力機制是同一個想法:不是每個鄰居都一樣重要,讓模型自己學該聽誰的。
⚠️什麼時候用、什麼時候別用
| 情境 | 建議 | 原因 |
|---|---|---|
| 詐騙/洗錢偵測 | 適合 | 可疑帳號之間的轉帳、共用裝置,這些關係本身就是線索 |
| 推薦系統 | 適合 | 使用者和商品是一張「誰買過什麼」的圖,可以做鏈結預測 |
| 分子、藥物性質 | 適合 | 原子是節點、化學鍵是邊,是天然的圖 |
| 交通路網、知識圖譜 | 適合 | 路口與道路、實體與關係,都是節點和邊 |
| 一般表格資料 | 不必 | 每一列之間沒有關係,樹模型或 MLP 更簡單也更有效 |
| 影像、文字 | 不必 | 已經有更合適的 CNN、Transformer |
容易踩到的地方
- 層數不是越多越好。疊太多層,每個節點都混進幾乎整張圖的訊息,向量變得很像,這就是過度平滑。通常 2~3 層。
- 大圖會有鄰居爆炸。熱門節點可能有上百萬個鄰居,再往外幾跳就算不完。做法是鄰居抽樣、小批次訓練(GraphSAGE 的想法)。
- 切資料要小心洩漏。節點之間有邊相連,隨便把節點切成訓練集和測試集,測試節點的特徵可能經由邊流進訓練。要先講清楚是「整張圖都看得到、只是部分節點沒標籤」(直推式 transductive),還是「要預測完全沒看過的新節點或新圖」(歸納式 inductive)。
- GNN、知識圖譜、圖資料庫是三件事。知識圖譜是資料的組織方式,圖資料庫(例如 Neo4j)是存取工具,GNN 是在圖上學習的模型。
- GNN 不會自動應付新增的特徵。115 年第 1 回中級科目一第 34 題,題目是廣告特徵每天變動,選項之一是改用 GNN 來自動應對新特徵,那是干擾選項。GNN 處理的是「關係」,不是「特徵一直變」。
🆚CNN、RNN、GNN 對照
| 面向 | CNN | RNN | GNN |
|---|---|---|---|
| 資料形狀 | 格子(影像) | 序列(文字、時間) | 圖(節點+邊) |
| 鄰居 | 固定的上下左右 | 前一個、後一個 | 數量不固定、沒有順序 |
| 核心運算 | 卷積核滑動 | 隱藏狀態往下傳 | 訊息傳遞+聚合 |
| 參數共享 | 同一個卷積核掃全圖 | 每個時間步共用權重 | 同一層所有節點共用權重 |
| 看多遠 | 疊越多層,看到的範圍越大 | 序列越長,越前面的越容易忘 | 幾層就看幾跳,太多層會過度平滑 |
| 典型應用 | 影像分類、物件偵測 | 語音、時間序列 | 詐騙偵測、推薦、分子性質 |
考題給情境要你選模型時,先問自己:這份資料最重要的訊息,是藏在「位置」、「順序」,還是「誰跟誰有關係」?答案是關係,就往 GNN 想。
💻程式長什麼樣
中級科目三會出程式題。GNN 常見的寫法是 PyTorch 加上 PyTorch Geometric(PyG)這個套件,兩層 GCN 做節點分類大概長這樣:
import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv class GCN(torch.nn.Module): def __init__(self, in_dim, hidden, n_class): super().__init__() self.conv1 = GCNConv(in_dim, hidden) # 第 1 層:看 1 跳鄰居 self.conv2 = GCNConv(hidden, n_class) # 第 2 層:看到 2 跳 def forward(self, x, edge_index): x = F.relu(self.conv1(x, edge_index)) x = F.dropout(x, p=0.5, training=self.training) return self.conv2(x, edge_index) out = model(data.x, data.edge_index) loss = F.cross_entropy(out[data.train_mask], data.y[data.train_mask])
- x:節點特徵矩陣,形狀是 [節點數, 特徵數]。
- edge_index:邊的清單,形狀是 [2, 邊數],第一列是起點、第二列是終點。每一層都要把它傳進去,這是和一般網路最大的差別。
- 兩個 GCNConv:疊兩層,所以每個節點看得到 2 跳以內的鄰居。
- train_mask:整張圖都丟進模型算,但只拿有標籤的那些節點算損失。這就是半監督式的節點分類。
✅自我檢測
Q1. GNN 的一層到底做了什麼?
每個節點收鄰居目前的向量(訊息),把它們聚合成一份(平均、加總、取最大或注意力加權),再乘上權重、過激活函數,更新成自己的新向量。所有節點同時做,而且共用同一組權重。
Q2. GNN 疊 3 層,一個節點最遠能拿到幾跳以外的訊息?
3 跳。每多一層,訊息就多傳一步,所以層數=看得到的跳數。
Q3. 為什麼 GNN 不像 CNN 那樣疊到幾十層?
疊太多層會過度平滑:每個節點都混進大範圍的訊息,向量越來越像,模型反而分不出差別。實務上常用 2~3 層。
Q4. 銀行有每個帳戶的基本資料,也有帳戶之間的轉帳紀錄,想找出洗錢集團,適合用哪一類模型?
GNN。帳戶是節點、轉帳是邊,洗錢的線索藏在「誰轉給誰」的關係裡。只用帳戶自己的欄位去訓練表格模型,會漏掉這些關係。
Q5. 圖很大,還會一直出現新節點,GCN、GraphSAGE 哪個比較合適?
GraphSAGE。它每次只抽樣一部分鄰居,算得動大圖;學到的是「怎麼聚合鄰居」的方法,所以沒看過的新節點也能直接算出向量。
Q6. 平均、加總、取最大,為什麼都可以當聚合函數?
因為它們的結果跟鄰居的排列順序無關。圖上的鄰居沒有誰先誰後,聚合函數必須符合這一點。
📌重點整理
- 是什麼:處理「節點+邊」關係資料的神經網路。
- 怎麼算:訊息 → 聚合 → 更新,所有節點同時做、共用權重。
- 層數:幾層=看幾跳;疊太多會過度平滑,通常 2~3 層。
- 三種任務:節點分類、鏈結預測、整張圖的分類。
- 家族:GCN(平均)、GraphSAGE(抽樣、可處理新節點)、GAT(注意力)、GIN(加總)。
- 選型:線索藏在「誰跟誰有關係」才用 GNN;一般表格資料不必。