{"id":179994,"date":"2026-02-19T15:42:03","date_gmt":"2026-02-19T14:42:03","guid":{"rendered":"https:\/\/liora.io\/de\/?p=179994"},"modified":"2026-02-19T17:21:52","modified_gmt":"2026-02-19T16:21:52","slug":"graph-neural-networks-gnn-was-ist-das","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/graph-neural-networks-gnn-was-ist-das","title":{"rendered":"Graph Neural Networks (GNN): Was ist das?"},"content":{"rendered":"\n

Graph Neural Networks (GNN) sind spezielle neuronale Netze, die dazu dienen, schwierige Probleme auf der Grundlage von Graphen zu l\u00f6sen, die eine komplexe Datenstruktur bilden. Erfahre unten mehr \u00fcber die Funktionsweise, die Architekturen und die Anwendungen von GNNs.<\/strong><\/p>\n\n\n\n

Was sind grafische neuronale Netze?<\/h2>\n\n\n\n

Mit dem exponentiellen Wachstum<\/strong> der Datenwissenschaft<\/a> hat auch das Machine Learning weitere Ver\u00e4nderungen erfahren, um sich an die sich \u00e4ndernden Datenstrukturen und die Nachfrage anzupassen. So wurde es mit dem Auftreten neuer Datentypen und der Zunahme unstrukturierter Daten notwendig, Modelle f\u00fcr maschinelles Lernen zu erstellen, die sich an unstrukturierte Daten wie Graphen anpassen k\u00f6nnen.<\/p>\n\n\n\n

Ein Beispiel hierf\u00fcr sind die Graphischen Neuronalen Netze (GNN),<\/strong> die Daten aus einem Graphen verarbeiten k\u00f6nnen. GNNs sind eine Erweiterung der herk\u00f6mmlichen neuronalen Netze aus dem Bereich des Deep Learning<\/a>, die zur Verarbeitung strukturierter Daten verwendet werden. Graphen sind n\u00fctzliche, komplexe, unstrukturierte Datenstrukturen, mit denen reale Ph\u00e4nomene wie Luftstra\u00dfen-Navigationssysteme und Molek\u00fclstrukturen dargestellt werden k\u00f6nnen.<\/p>\n\n\n\n

Was ist ein Graph?<\/h2>\n\n\n\n

Ein Graph ist eine komplexe Datenstruktur, die zur Darstellung von Objekten<\/strong> und deren Beziehungen untereinander verwendet wird. Ein Graph besteht aus einer Reihe von Knoten (engl. nodes) und Kanten (engl. edges oder links)<\/strong>. Durch die Kanten werden die verschiedenen Knoten miteinander verbunden. Kanten k\u00f6nnen gerichtet oder ungerichtet sein. In einem gerichteten Graphen haben die Kanten eine Richtung, die die Richtung der Beziehung angibt, w\u00e4hrend in einem ungerichteten Graphen die Kanten keine Richtung haben.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

In der Praxis k\u00f6nnen Knoten<\/strong> die Nutzer<\/strong> eines sozialen Netzwerks darstellen, w\u00e4hrend Beziehungen<\/strong> die Freundschaften<\/strong> zwischen den Nutzern darstellen. Ein Graph<\/strong> kann auch als die Struktur<\/strong> eines Molek\u00fcls<\/strong> oder eines Transportnetzes<\/strong> betrachtet werden.<\/p>\n\n\n\n

Im Fall von GNN<\/strong> verwendet ein Graph<\/strong> Merkmalsvektoren<\/strong> (engl. embeddings<\/strong>), um alle Informationen \u00fcber einen Graphen<\/strong> wie seine Struktur<\/strong> und seine Beziehungen<\/strong> zu kodieren. Die Einbettungen<\/strong> konstruieren also eine numerische Darstellung eines Graphen<\/strong>, die sp\u00e4ter zum Trainieren von Machine-Learning-Algorithmen<\/strong> verwendet werden kann.<\/p>\n\n\n\n

In einem Graphen<\/strong> gibt es zwei Arten von Einbettungen<\/strong>: Knoteneinbettungen<\/strong> (node embeddings<\/strong>) und Kanteneinbettungen<\/strong> (edge embeddings<\/strong>). Mit Node-Embeddings<\/strong> k\u00f6nnen die Eigenschaften jedes Knotens<\/strong> dargestellt werden, w\u00e4hrend Kanten-Embeddings<\/strong> dazu dienen, die Eigenschaften der Beziehungen<\/strong> zwischen den Knoten<\/strong> zu modellieren.<\/p>\n\n\n\n

\n
Data Weiterbildung<\/a><\/div>\n<\/div>\n\n\n\n

Wie funktionieren grafische neuronale Netze?<\/h2>\n\n\n\n

Die Funktionsweise von grafischen neuronalen Netzen beruht auf einer Technik, die als „message passing“ bezeichnet wird. Diese Technik erm\u00f6glicht die Verarbeitung<\/strong> von Informationen durch den Austausch von Informationen zwischen den Knoten eines Graphen und ihren Nachbarn. Das Ziel dieser Technik ist es, den Zustand jedes Knotens zu \u00e4ndern, indem er die lokalen Informationen seiner Nachbarn und die in den Kanten enthaltenen Informationen nutzt.<\/p>\n\n\n\n

Konkret bedeutet dies, dass das „Message Passing“ die in den Node Embeddings enthaltenen Informationen \u00fcber die Kanten des Graphen weiterleitet<\/strong>. Jeder Knoten sendet n\u00e4mlich mithilfe seines Node Embeddings eine Nachricht an seine Nachbarknoten. Jede Nachricht enth\u00e4lt Informationen \u00fcber den sendenden Knoten und spezifische Eigenschaften der Kante, die den Knoten mit seinem Nachbarn verbindet. Der Empf\u00e4ngerknoten kombiniert dann alle Nachrichten seiner Nachbarn mit seinem anf\u00e4nglichen Node Embedding und den entsprechenden Kanten-Embeddings, um sein eigenes Node Embedding<\/strong> mithilfe einer nichtlinearen Funktion zu aktualisieren. Die Kombination zwischen den Nachrichten der Nachbarknoten und dem urspr\u00fcnglichen Embedding kann je nach Kontext verschiedenen Operationen (Summe, Durchschnitt, Maximum…) entsprechen.<\/p>\n\n\n\n

Die Message-Passing-Technik wird mehrmals wiederholt, damit jeder Knoten die Informationen seiner Nachbarn einbeziehen und so immer mehr Informationen \u00fcber die Struktur des Graphen erfassen kann. Am Ende des Prozesses enth\u00e4lt jeder Knoten ein aktualisiertes node embedding, das alle Merkmale seiner Nachbarn und die Kanten embeddings ber\u00fccksichtigt<\/strong>. Im embedding space, der dem Vektorraum entspricht, in dem die node embeddings zusammengefasst sind, h\u00e4ngt der Abstand zwischen den node embeddings also von ihrer \u00c4hnlichkeit ab. Je \u00e4hnlicher die node embeddings sind, desto n\u00e4her liegen sie beieinander.<\/p>\n\n\n\n

Es ist auch hervorzuheben, dass die Message-Passing-Funktionen durch Permutation der Reihenfolge der Nachbarknoten invariant sind. Dies erm\u00f6glicht es GNNs, die Interaktionen zwischen den Knoten unabh\u00e4ngig von der Reihenfolge der Knoten zu betrachten und die Ergebnisse zu vereinheitlichen.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Um GNNs<\/strong> zu trainieren, werden zun\u00e4chst jeder Schicht<\/strong> des neuronalen Netzes<\/strong> zuf\u00e4llige Gewichtswerte<\/strong> zugewiesen. Anschlie\u00dfend werden die Gewichte<\/strong> durch eine Kostenfunktion<\/strong>, die an das zu l\u00f6sende Problem<\/strong> angepasst ist, das minimiert werden soll, an die verschiedenen Schichten<\/strong> des Netzes<\/strong> angepasst. Durch die Message-Passing-Funktion<\/strong> werden die Gewichte<\/strong> der versteckten Schichten<\/strong> der GNNs<\/strong> entsprechend ge\u00e4ndert.<\/p>\n\n\n\n

\"\"
Ein GNN trainieren<\/figcaption><\/figure>\n\n\n\n

Eine weitere Technik, die f\u00fcr GNNs<\/strong> verwendet wird, ist das Pooling<\/strong>, aber seine Anwendung variiert je nach der verwendeten Architektur<\/strong>. Nachdem die Knoteneinbettungen<\/strong> nach mehreren Iterationen des Message Passing<\/strong> aktualisiert wurden, kann es sinnvoll sein, die Gr\u00f6\u00dfe der numerischen Darstellung des Graphen<\/strong> zu reduzieren, um die F\u00e4higkeit der Modelle<\/strong>, gro\u00dfe Graphen<\/strong> zu verarbeiten, zu verbessern.<\/p>\n\n\n\n

Hier ist Pooling<\/strong> von Vorteil, da es eine globale Einbettung<\/strong> erzeugt, die mit diesem bestimmten Bereich des Graphen<\/strong> verbunden ist. Dieses globale Embedding<\/strong> wird aus einer Kombination der Node-Embeddings<\/strong> einer bestimmten Region des Graphen<\/strong> gebildet.<\/p>\n\n\n\n

\n
Ma\u00eetriser le fonctionnement des GNN<\/a><\/div>\n<\/div>\n\n\n\n

Welche verschiedenen GNN-Architekturen gibt es?<\/h2>\n\n\n\n

Es gibt verschiedene Arten von GNN-Architekturen, hier eine Beschreibung der bekanntesten Architekturen :<\/p>\n\n\n\n

    \n
  1. MPGNN<\/strong> (Message Passing Graph Neural Networks<\/strong>). MPGNNs<\/strong> verwenden Message Passing<\/strong>, um jeden Knoten<\/strong> mithilfe von Informationen<\/strong> zu aktualisieren, die in jedem benachbarten Knoten<\/strong> enthalten sind.<\/li>\n\n\n\n
  2. GCNNs<\/strong> (Graph Convolutional Neural Networks<\/strong>), auch bekannt als Graph Convolutional Neural Networks<\/strong> (Graphenfaltende neuronale Netze<\/strong>). Diese Netze wenden eine Faltungsschicht<\/strong> auf die Einbettungen<\/strong> der Knoten<\/strong> und Kanten<\/strong> an.<\/li>\n\n\n\n
  3. Graph Attention Neural Networks (GATs)<\/strong>, auch bekannt als Graph Attention Neuronal Networks (GATs)<\/strong>. Bei dieser Art von Architektur<\/strong> wird die Bedeutung<\/strong> der benachbarten Knoten<\/strong> w\u00e4hrend der Phase der Informationsweitergabe<\/strong> (message passing<\/strong>) gewichtet. F\u00fcr jedes Knotenpaar<\/strong> wird ein Aufmerksamkeitswert<\/strong> berechnet, der zur Gewichtung<\/strong> der einzelnen Knoten<\/strong> verwendet wird.<\/li>\n<\/ol>\n\n\n\n
    \"\"
    GCNN architecture<\/figcaption><\/figure>\n\n\n\n

    Wozu dienen die GNN?<\/h2>\n\n\n\n

    Die Anwendungen von GNNs sind vielf\u00e4ltig, hier einige Beispiele:<\/p>\n\n\n\n