Welche Vorteile kann die Anwendung von Graph Convolutional Neural Network anstelle von gewöhnlichem CNN erzielen?

Welche Vorteile können wir durch die Anwendung von Graph Convolutional Neural Network anstelle von gewöhnlichem CNN erzielen? Ich meine, wenn wir ein Problem durch CNN lösen können, was ist der Grund, warum wir auf Graph Convolutional Neural Network umstellen sollten, um es zu lösen? Gibt es Beispiele, die zeigen können, dass durch Ersetzen von gewöhnlichem CNN durch Graph Convolutional Neural Network eine Genauigkeitssteigerung oder eine Qualitätsverbesserung oder ein Leistungsgewinn erzielt werden kann? Kann jemand einige Beispiele wie Bildklassifizierung, Bilderkennung insbesondere in der medizinischen Bildgebung, Bioinfomatik oder biomedizinischen Bereichen vorstellen?

Im Allgemeinen wird ein Diagramm CNN auf Daten angewendet, die durch Diagramme und nicht durch Bilder dargestellt werden.

• Ein Diagramm ist eine Sammlung von Knoten und Kanten, die sie verbinden.

• Ein Bild ist eine 2D- oder 3D-Matrix, in der jedes Element ein Pixel im Raum bezeichnet

Wenn es sich bei Ihren Daten nur um Bilder oder ähnliches handelt (z. B. einige fMRI-Daten), können Sie im Vergleich zu gewöhnlichem CNN normalerweise nicht von der Grafik CNN profitieren.

Manchmal sind die Klassenbeschriftungen Ihrer Bilder in einer grafischen (oder baumartigen) Struktur organisiert. In diesem Fall haben Sie möglicherweise die Möglichkeit, von der Grafik CNN zu profitieren.

Die Bioinformatik ist ein Bereich, in dem das Graph Convolutional Neural Network nützlich ist. Betrachten Sie Proteinnetzwerke oder Gen-Gen-Netzwerke. Sicherlich können die biologischen Netzwerke als Graph dargestellt werden. Nun sollten Sie sehen, wie nützlich GCN für die Bioinformatik ist.