呆板进修的猜测本领被遍及誉为当前统计人工智能的顶峰。它具有加强「从客户办事到运营等」全部内容的本领。此中神经网络、多维模子和深度进修摆设被视为企业从数据中赢利的紧张保障。

依据Franz首席实行官Jans Aasman的说法，这里有一个很小的题目，那便是它原来是正确的：在大多数情形下，它「仅实用于他们所谓的欧几里得数据集，你可以在此中检察情形，从中提取一些明显的点，将其转换为矢量中的数字，然后你就可以举行监视进修和无监视进修等等操纵。」

固然，大量的企业数据是欧几里得数据，而且易于矢量化。同时，也有大量非欧几里得、多维数据作为呆板进修用例的催化剂，比方：

网络猜测：阐发朋侪和仇人庞大交际网络中实体或变乱之间的全部差别干系，可得出惊人的正确猜测，即任何变乱（如特定客户购置特定产物）将怎样影响网络参加者。这种谍报可以革新各种变乱，比方从营销和贩卖要领到羁系授权（相识你的客户、反洗钱等）、医疗保健、执法等等。

实体分类：依据变乱（比方毗连车辆的部门妨碍或体系妨碍）对实体举行分类的潜力，对付猜测性维护事情至关紧张。该功效对车队治理、设置装备摆设资产监控等物联网应器具有积极作用。

盘算机视觉、天然说话处置惩罚：了解场景中单词与相互或图像之间干系的多维性，转变了 NLP 或盘算机视觉的典范神经网络摆设。后者支持场景天生，好比，呆板在寓目汽车颠末消防栓的场景后，可以更换为狗睡在消防栓周边。

Aasman 指出，这些用例中的每一个都围围着实体或节点之间具有多方面干系的高维数据睁开，在这种情形下，「通例呆板进修失败了」。然而，它们是图神经网络的抱负选择，专门用于这些和其他高维数据的摆设。

高维数据

图神经网络之以是能取得这些成绩，是由于图要领偏重于辨认数据之间的干系。Aasman 指出，欧几里数据会合的干系不像高维数据会合的干系那么庞大，由于「直线或二维平面的全部工具都可以酿成矢量。」这些数字与载体组成了，天生典范呆板进修用例功效的底子。

非欧几里德数据集的例子包罗，100多个飞机体系之间的大量干系，一组客户与别的四组客户之间的联络，以及这些分外组之间联络的很多相互依靠性。这些信息不简单矢量化，是以无法利用无图神经网络的呆板进修本领。Aasman 批评道：「矢量中的每个数字现实上都依靠于图的其他部门，是以它太庞大了。一旦事物进入希罕图，而且你还拥有事物网络、药物网络、基因和药物分子，就很难猜测特定药物是否缺少与其他药物的联络。」

干系猜测

当节点、实体或变乱之间的上下文非常紧张时（如在Aasman引用的药物利用案例或任何其他庞大的网络应用步伐中），图神经网络则会通过了解数据的干系，来提供猜测精度。这种特性重要体现在三个方面，包罗：

猜测链接：图神经网络善于猜测节点之间的链接，以便了解实体相干、联系关系水平以及这种干系对营业目的的影响。Aasman吐露，这种洞察力对付答复诸如「某些变乱是否更频仍地产生在患者、飞机或文本文档中，以及可否现实猜测下一个变乱」等题目至关紧张。

分类实体：依据属性对实体举行分类很简洁。图神经网络在思量实体之间的干系时会如许做，从而导致没有图就难以实现的新分类。此应用步伐涉及监视进修；猜测干系必要无监视进修。

图集群：此功效可指示特定图包罗几多图像以及它们相互之间的干系。此拓扑信息基于无人监视的进修。

将这些特性与具有广泛时间信息（包罗变乱时间，即客户购置时间）的数据模子相联合，孕育发生了令人佩服的呆板进修示例。这种要领可以依据患者的已往以及全部康健相干变乱，来阐明患者的医疗将来。「你可以说，这将给这个病人今后大概抱病的情形，按几率降序分列。」Aasman 说。构造也可认为客户流失、贷款失败、某些范例的敲诈或其他利用案例做同样的事变。

拓扑文天职类，图片了解

当图神经网络在无与伦比的干系鉴别本领会合在 NLP 和盘算机视觉方面时，它们会孕育发生转化效果。对付前者，它支持拓扑文天职类，这是更快、更精致地了解书面说话的底子。通例实体提取可以准确定位文本中的要害术语。「但在一句话中，事变可以参考前后文，」Aasman解说道，「实体提取基础无法辨认这个，但图神经网络会检察句子的布局，然后你可以在了解方面做更多的事情。」

这种要领还支持了图像了解，图神经网络可以了解单张图片中差别图像的联系关系方法。没有它们，呆板进修只能辨认场景中的种种工具。通过它们，它可以网络这些工具怎样相互作用或相互联系关系。「（非图神经网络）呆板进修不会做到这一点，」Aasman 指出「不是全部的事变在一路的场景。」图神经网络与传统神经网络的耦合可以更富厚地形貌场景中的图像；反过来，也可以从形貌中天生细致的场景。

图要领

图神经网络基于最初在20世纪设计的神经网络。然而，图要领使前者可以或许降服矢量化的极限，在高维、非欧几里德数据会合运行。有助于这项事情的特定图技能（以及实用于图的技能）包罗：

Jaccard索引：比方，当试图确定一组节点或另一组节点之间是否缺少链接时，Jaccard索引可以通过展现「图中两个节点的相似水平」来反应效果。

优先附件：Aasman提到，这个统计观点是一种「他们称之为赢家通吃的技能，你可以猜测或人是否会得到统统，大概一无所得」。优先附件会权衡节点的精密水平。

中间性：中间性是网络中紧张性指标，它与其他节点之间的节点相干。

这些图要领等使图神经网络可以或许在不举行矢量化的情形下处置惩罚高维数据，从而扩大企业呆板进修应用的团体服从。

多维呆板进修范围

将图神经网络应用于前述利用案例和应用典范呆板进修要领的要害区别在于所阐发干系的庞大性和庞大性。Aasman 解说了一个应用实例，此中图神经网络依据一年中大部门时间、20000 多个实体和近 50 万个变乱的投入，对天下向导者的举措做出了正确的猜测。当转向客户举动、医疗保健或其他要害使命摆设时，这种远见远不止学术性。是以，它影响认知盘算摆设，大概会比科学家估计的要早。