Graph Neural Networks: GCN, MPNN, and GAT, Explained Simply

Graph Neural Networks (GNN) adalah inovasi kecerdasan buatan yang memproses data berstruktur graf, seperti molekul atau jejaring sosial, dengan memanfaatkan konteks hubungan antar bagian data. Keunggulan utama GNN adalah kemampuannya menggeneralisasi pengetahuan untuk mengklasifikasi graf atau node baru yang belum pernah dilihat sebelumnya. Graph Convolutional Networks (GCN) menerapkan konsep konvolusi pada graf dengan menggabungkan fitur node beserta tetangganya. Sebagai pengembangan, Message Passing Neural Networks (MPNN) memperluas fungsi ini dengan mengolah fitur pada edge melalui pertukaran pesan antar node, meski membutuhkan komputasi dan memori yang lebih besar. Graph Attention Networks (GAT) menyempurnakan GCN dengan menggantikan nilai derajat node statis menggunakan bobot atensi yang dipelajari jaringan. Mekanisme ini memungkinkan model menilai tingkat kepentingan antar node secara mandiri, mirip dengan cara kerja arsitektur Transformer. Ketiga arsitektur GNN ini umumnya hanya terdiri dari 2 hingga 4 lapisan untuk mencegah masalah oversmoothing. Oversmoothing adalah kondisi di mana representasi fitur node menjadi terlalu seragam akibat proses agregasi fitur yang terus berulang di setiap lapisan.