{"id":179994,"date":"2023-07-14T16:22:28","date_gmt":"2023-07-14T15:22:28","guid":{"rendered":"https:\/\/datascientest.com\/de\/?p=179994"},"modified":"2023-10-30T12:50:26","modified_gmt":"2023-10-30T11:50:26","slug":"graph-neural-networks-gnn-was-ist-das","status":"publish","type":"post","link":"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das","title":{"rendered":"Graph Neural Networks (GNN): Was ist das?"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"179994\" class=\"elementor elementor-179994\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-19db85f e-flex e-con-boxed e-con\" data-id=\"19db85f\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-8d28d95 elementor-widget elementor-widget-heading\" data-id=\"8d28d95\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h3 class=\"elementor-heading-title elementor-size-default\">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. <\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-62160a5 e-flex e-con-boxed e-con\" data-id=\"62160a5\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-b379176 elementor-widget elementor-widget-heading\" data-id=\"b379176\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Was sind grafische neuronale Netze?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-c56b003 elementor-widget elementor-widget-text-editor\" data-id=\"c56b003\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<p>Mit dem<strong> exponentiellen Wachstum<\/strong> der <a href=\"https:\/\/datascientest.com\/de\/data-science-tools-unsere-top-3\"><strong>Datenwissenschaft<\/strong> <\/a>hat auch das Machine Learning weitere Ver\u00e4nderungen erfahren, um sich an die sich \u00e4ndernden Datenstrukturen und die Nachfrage anzupassen.<\/p><p>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><p>Ein Beispiel hierf\u00fcr sind die <strong>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 <a href=\"https:\/\/datascientest.com\/de\/deep-learning-oder-tiefes-lernen-was-ist-das-denn\">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>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-93cdeee e-flex e-con-boxed e-con\" data-id=\"93cdeee\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-1718a589 elementor-widget elementor-widget-heading\" data-id=\"1718a589\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Was ist ein Graph?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3c7171d6 elementor-widget elementor-widget-text-editor\" data-id=\"3c7171d6\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Ein Graph ist eine komplexe Datenstruktur, die zur <strong>Darstellung von Objekten<\/strong> und deren Beziehungen untereinander verwendet wird. Ein Graph besteht aus einer <strong>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.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4182cd01 elementor-widget elementor-widget-image\" data-id=\"4182cd01\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1069\" height=\"713\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/Graph-oriente.png\" class=\"attachment-full size-full wp-image-179998\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/Graph-oriente.png 1069w, https:\/\/datascientest.com\/de\/files\/2023\/07\/Graph-oriente-300x200.png 300w, https:\/\/datascientest.com\/de\/files\/2023\/07\/Graph-oriente-1024x683.png 1024w, https:\/\/datascientest.com\/de\/files\/2023\/07\/Graph-oriente-768x512.png 768w\" sizes=\"(max-width: 1069px) 100vw, 1069px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-70a95738 elementor-widget elementor-widget-text-editor\" data-id=\"70a95738\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>In der Praxis k\u00f6nnen Knoten die Nutzer eines sozialen Netzwerks darstellen, w\u00e4hrend Beziehungen die Freundschaften zwischen den Nutzern darstellen. Ein Graph kann auch als die Struktur eines Molek\u00fcls oder eines Transportnetzes betrachtet werden.<\/p><p>Im Fall von GNN verwendet ein Graph Merkmalsvektoren (engl. embeddings), um alle Informationen \u00fcber einen Graphen wie seine Struktur und seine Beziehungen zu kodieren. Die Einbettungen konstruieren also eine numerische Darstellung eines Graphen, die sp\u00e4ter zum Trainieren von Machine-Learning-Algorithmen verwendet werden kann.<\/p><p>In einem Graphen gibt es zwei Arten von Einbettungen: Knoteneinbettungen (node embeddings) und Kanteneinbettungen (edge embeddings). Mit Node-Embeddings k\u00f6nnen die Eigenschaften jedes Knotens dargestellt werden, w\u00e4hrend Kanten-Embeddings dazu dienen, die Eigenschaften der Beziehungen zwischen den Knoten zu modellieren.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7f74157f elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"7f74157f\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/de\/unsere-aus-und-weiterbildungen\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Data Weiterbildung<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-30757bb e-flex e-con-boxed e-con\" data-id=\"30757bb\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-6a385065 elementor-widget elementor-widget-heading\" data-id=\"6a385065\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Wie funktionieren grafische neuronale Netze?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7bcd0222 elementor-widget elementor-widget-text-editor\" data-id=\"7bcd0222\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Die Funktionsweise von grafischen neuronalen Netzen beruht auf einer Technik, die als &#8222;message passing&#8220; bezeichnet wird<strong>. 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><p>Konkret bedeutet dies, dass das &#8222;Message Passing&#8220; die in den Node Embeddings enthaltenen Informationen \u00fcber die<strong> 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<strong> 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&#8230;) entsprechen.<\/p><p>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 <strong>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><p>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>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7688c4ee elementor-widget elementor-widget-image\" data-id=\"7688c4ee\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1193\" height=\"658\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/message-passing-neural-networks.png\" class=\"attachment-full size-full wp-image-179999\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/message-passing-neural-networks.png 1193w, https:\/\/datascientest.com\/de\/files\/2023\/07\/message-passing-neural-networks-300x165.png 300w, https:\/\/datascientest.com\/de\/files\/2023\/07\/message-passing-neural-networks-1024x565.png 1024w, https:\/\/datascientest.com\/de\/files\/2023\/07\/message-passing-neural-networks-768x424.png 768w\" sizes=\"(max-width: 1193px) 100vw, 1193px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2ffbf1b5 elementor-widget elementor-widget-text-editor\" data-id=\"2ffbf1b5\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Um GNNs zu trainieren, werden zun\u00e4chst jeder Schicht des neuronalen Netzes zuf\u00e4llige Gewichtswerte zugewiesen. Anschlie\u00dfend werden die Gewichte durch eine Kostenfunktion, die an das zu l\u00f6sende Problem angepasst ist, das minimiert werden soll, an die verschiedenen Schichten des Netzes angepasst. Durch die Message-Passing-Funktion werden die Gewichte der versteckten Schichten der GNNs entsprechend ge\u00e4ndert.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-54326fc elementor-widget elementor-widget-image\" data-id=\"54326fc\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1036\" height=\"448\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/Entrainement_GNN.jpg\" class=\"attachment-full size-full wp-image-180000\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/Entrainement_GNN.jpg 1036w, https:\/\/datascientest.com\/de\/files\/2023\/07\/Entrainement_GNN-300x130.jpg 300w, https:\/\/datascientest.com\/de\/files\/2023\/07\/Entrainement_GNN-1024x443.jpg 1024w, https:\/\/datascientest.com\/de\/files\/2023\/07\/Entrainement_GNN-768x332.jpg 768w\" sizes=\"(max-width: 1036px) 100vw, 1036px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Ein GNN trainieren<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7173c06a elementor-widget elementor-widget-text-editor\" data-id=\"7173c06a\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Eine weitere Technik, die f\u00fcr GNNs verwendet wird, ist das Pooling, aber seine Anwendung variiert je nach der verwendeten Architektur. Nachdem die Knoteneinbettungen nach mehreren Iterationen des Message Passing aktualisiert wurden, kann es sinnvoll sein, die Gr\u00f6\u00dfe der numerischen Darstellung des Graphen zu reduzieren, um die F\u00e4higkeit der Modelle, gro\u00dfe Graphen zu verarbeiten, zu verbessern.<\/span><\/p><p><span style=\"font-weight: 400;\">Hier ist Pooling von Vorteil, da es eine globale Einbettung erzeugt, die mit diesem bestimmten Bereich des Graphen verbunden ist. Dieses globale Embedding wird aus einer Kombination der Node-Embeddings einer bestimmten Region des Graphen gebildet.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5b8fc129 elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"5b8fc129\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/formations-data\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Ma\u00eetriser le fonctionnement des GNN<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-4613854 e-flex e-con-boxed e-con\" data-id=\"4613854\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-6459fafb elementor-widget elementor-widget-heading\" data-id=\"6459fafb\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Welche verschiedenen GNN-Architekturen gibt es?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-117b0e1b elementor-widget elementor-widget-text-editor\" data-id=\"117b0e1b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Es gibt verschiedene Arten von GNN-Architekturen, hier eine Beschreibung der bekanntesten Architekturen :<\/p><p>1. MPGNN (Message Passing Graph Neural Networks). MPGNNs verwenden Message Passing, um jeden Knoten mithilfe von Informationen zu aktualisieren, die in jedem benachbarten Knoten enthalten sind.<\/p><p>2. GCNNs (Graph Convolutional Neural Networks), auch bekannt als Graph Convolutional Neural Networks (Graphenfaltende neuronale Netze). Diese Netze wenden eine Faltungsschicht auf die Einbettungen der Knoten und Kanten an.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-50489c0a elementor-widget elementor-widget-image\" data-id=\"50489c0a\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1999\" height=\"821\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/GCNN_architecture.jpg\" class=\"attachment-full size-full wp-image-180001\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/GCNN_architecture.jpg 1999w, https:\/\/datascientest.com\/de\/files\/2023\/07\/GCNN_architecture-300x123.jpg 300w, https:\/\/datascientest.com\/de\/files\/2023\/07\/GCNN_architecture-1024x421.jpg 1024w, https:\/\/datascientest.com\/de\/files\/2023\/07\/GCNN_architecture-768x315.jpg 768w, https:\/\/datascientest.com\/de\/files\/2023\/07\/GCNN_architecture-1536x631.jpg 1536w\" sizes=\"(max-width: 1999px) 100vw, 1999px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">GCNN architecture<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2d9d1acb elementor-widget elementor-widget-text-editor\" data-id=\"2d9d1acb\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p style=\"padding-left: 40px;\"><span style=\"font-weight: 400;\">3. Graph Attention Neural Networks (GATs), auch bekannt als Graph Attention Neuronal Networks (GATs). Bei dieser Art von Architektur wird die Bedeutung der benachbarten Knoten w\u00e4hrend der Phase der Informationsweitergabe (message passing) gewichtet. F\u00fcr jedes Knotenpaar wird ein Aufmerksamkeitswert berechnet, der zur Gewichtung der einzelnen Knoten verwendet wird.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-9e875a8 e-flex e-con-boxed e-con\" data-id=\"9e875a8\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-37cddef8 elementor-widget elementor-widget-heading\" data-id=\"37cddef8\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Wozu dienen die GNN?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-52544cb3 elementor-widget elementor-widget-text-editor\" data-id=\"52544cb3\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Die Anwendungen von GNNs sind vielf\u00e4ltig, hier einige Beispiele:<\/p><p>Node Classification (Knotenklassifizierung): Man k\u00f6nnte GNNs verwenden, um die Knoten eines Graphen zu klassifizieren. Zum Beispiel k\u00f6nnte man sie verwenden, um einen Nutzer einer E-Commerce-Website nach seinen Interessen zu klassifizieren.<br \/>Graph Classification (Klassifizierung von Graphen): GNNs k\u00f6nnten verwendet werden, um Graphen zu klassifizieren. GNN k\u00f6nnte z. B. verwendet werden, um den Typ eines Molek\u00fcls anhand seiner (durch einen Graphen dargestellten) Struktur vorherzusagen.<br \/>Recommender system (Empfehlungssystem) : GNNs werden verwendet, um Nutzern auf der Grundlage ihrer Daten Inhalte zu empfehlen. Dies ist z. B. bei einer Musikstreaming-Website wie Spotify der Fall, die GNNs verwendet, um einem Nutzer \u00e4hnliche K\u00fcnstler, Lieder, Playlists und Alben zu empfehlen, die mit der Geschichte des Nutzers in Verbindung stehen.<br \/>Natural Language Processing (NLP): Mit GNNs kann man also Text klassifizieren oder Text generieren. Zum Beispiel k\u00f6nnen GNNs verwendet werden, um eine Stimmungsanalyse von Bewertungen durchzuf\u00fchren, die mit einer Website verkn\u00fcpft sind. Jeder Beitrag wird nach seiner Tonalit\u00e4t (positiv, negativ oder neutral) klassifiziert.<br \/>Link Prediction (Vorhersage von Links): GNNs werden hier verwendet, um neue Verbindungen zwischen Knoten in einem Graphen vorherzusagen. In einem sozialen Netzwerk k\u00f6nnte GNN z. B. verwendet werden, um vorherzusagen, ob Nutzer eher Freunde werden.<br \/>Computer Vision: GNNs werden verwendet, um Bilder wie Graphen zu behandeln. Konkret k\u00f6nnen sie zur Objekterkennung oder zur Zeichenerkennung eingesetzt werden.<br \/>Clustering: GNNs werden verwendet, um Bilder nach ihrem Inhalt zu gruppieren. Dies wird erreicht, indem der Bereich der Einbettungen getrennt wird. Dies ist der Raum, in dem die Embedding-Nodes lokalisiert sind.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-607d1672 elementor-widget elementor-widget-image\" data-id=\"607d1672\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"771\" height=\"208\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/image5-5-1.png\" class=\"attachment-full size-full wp-image-180002\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/image5-5-1.png 771w, https:\/\/datascientest.com\/de\/files\/2023\/07\/image5-5-1-300x81.png 300w, https:\/\/datascientest.com\/de\/files\/2023\/07\/image5-5-1-768x207.png 768w\" sizes=\"(max-width: 771px) 100vw, 771px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3a83a474 elementor-widget elementor-widget-text-editor\" data-id=\"3a83a474\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Pour en savoir plus sur les GNN, n\u2019h\u00e9sitez pas \u00e0 consulter la vid\u00e9o suivante :\u00a0<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2935ba74 elementor-widget__width-initial elementor-widget elementor-widget-video\" data-id=\"2935ba74\" data-element_type=\"widget\" data-settings=\"{&quot;youtube_url&quot;:&quot;https:\\\/\\\/www.youtube.com\\\/watch?v=GXhBEj1ZtE8&quot;,&quot;video_type&quot;:&quot;youtube&quot;,&quot;controls&quot;:&quot;yes&quot;}\" data-widget_type=\"video.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-video .elementor-widget-container{overflow:hidden;transform:translateZ(0)}.elementor-widget-video .elementor-wrapper{aspect-ratio:var(--video-aspect-ratio)}.elementor-widget-video .elementor-wrapper iframe,.elementor-widget-video .elementor-wrapper video{height:100%;width:100%;display:flex;border:none;background-color:#000}@supports not (aspect-ratio:1\/1){.elementor-widget-video .elementor-wrapper{position:relative;overflow:hidden;height:0;padding-bottom:calc(100% \/ var(--video-aspect-ratio))}.elementor-widget-video .elementor-wrapper iframe,.elementor-widget-video .elementor-wrapper video{position:absolute;top:0;right:0;bottom:0;left:0}}.elementor-widget-video .elementor-open-inline .elementor-custom-embed-image-overlay{position:absolute;top:0;right:0;bottom:0;left:0;background-size:cover;background-position:50%}.elementor-widget-video .elementor-custom-embed-image-overlay{cursor:pointer;text-align:center}.elementor-widget-video .elementor-custom-embed-image-overlay:hover .elementor-custom-embed-play i{opacity:1}.elementor-widget-video .elementor-custom-embed-image-overlay img{display:block;width:100%;aspect-ratio:var(--video-aspect-ratio);-o-object-fit:cover;object-fit:cover;-o-object-position:center center;object-position:center center}@supports not (aspect-ratio:1\/1){.elementor-widget-video .elementor-custom-embed-image-overlay{position:relative;overflow:hidden;height:0;padding-bottom:calc(100% \/ var(--video-aspect-ratio))}.elementor-widget-video .elementor-custom-embed-image-overlay img{position:absolute;top:0;right:0;bottom:0;left:0}}.elementor-widget-video .e-hosted-video .elementor-video{-o-object-fit:cover;object-fit:cover}.e-con-inner>.elementor-widget-video,.e-con>.elementor-widget-video{width:var(--container-widget-width);--flex-grow:var(--container-widget-flex-grow)}<\/style>\t\t<div class=\"elementor-wrapper elementor-open-inline\">\n\t\t\t<div class=\"elementor-video\"><\/div>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-f7de57b e-flex e-con-boxed e-con\" data-id=\"f7de57b\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-33a3add elementor-widget elementor-widget-heading\" data-id=\"33a3add\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Fazit<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1d36882 elementor-widget elementor-widget-text-editor\" data-id=\"1d36882\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Daher sind<strong> GNNs<\/strong> sehr n\u00fctzlich, um komplexe Probleme durch die Manipulation von Graphen zu behandeln, die komplexe, unstrukturierte Datenstrukturen darstellen.<\/p><p>Die <strong>Funktionsweise von GNNs<\/strong> beruht haupts\u00e4chlich auf der Message-Passing-Funktion, die es erm\u00f6glicht, Node-Embeddings zu konstruieren, die an die Struktur und die Informationen des Graphen angepasst sind.<\/p><p>GNNs weisen zahlreiche Architekturen wie MPGNNs, GCNNs und GATs auf. GNNs k\u00f6nnen in vielen verschiedenen Kontexten eingesetzt werden, z. B. f\u00fcr Computer Vision, Link Prediction, Recommendation und NLP. Da sich GNNs noch in der Forschungsphase befinden, ist es m\u00f6glich, dass neue Architekturen entwickelt werden. Aufgrund ihres Potenzials und ihrer Leistungsf\u00e4higkeit werden GNNs immer h\u00e4ufiger zur L\u00f6sung von Problemen eingesetzt werden.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-046a047 elementor-widget elementor-widget-text-editor\" data-id=\"046a047\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Wenn du dich in Deep Learning ausbilden lassen m\u00f6chtest, um tiefer in die Materie der neuronalen Netze einzusteigen, dann schau dir unsere Kurse in Machine Learning Engineering und Deep Learning an.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-bd7ce3b elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"bd7ce3b\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/de\/unsere-aus-und-weiterbildungen\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Entdecke unsere Weiterbildungen<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b1621c4 elementor-widget elementor-widget-html\" data-id=\"b1621c4\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<script type=\"application\/ld+json\">.\n{\n  \"@context\": \"https:\/\/schema.org\",\n  \"@type\": \"FAQPage\",\n  \"mainEntity\": [{{\n    \"@type\": \"Frage\",\n    \"name\": \"Was sind grafische neuronale Netze?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Mit dem exponentiellen Wachstum der Datenwissenschaft hat auch das maschinelle Lernen neue Ver\u00e4nderungen erfahren, um sich an die sich \u00e4ndernden Datenstrukturen und die Nachfrage anzupassen. Mit dem Aufkommen neuer Datentypen und der Zunahme unstrukturierter Daten ist es notwendig geworden, Modelle f\u00fcr maschinelles Lernen zu entwickeln, die sich an unstrukturierte Daten wie Graphen anpassen k\u00f6nnen.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"Was ist ein Graph?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Ein Graph ist eine komplexe Datenstruktur, die zur Darstellung von Objekten und deren Beziehungen untereinander verwendet wird. Ein Graph besteht aus einer Reihe von Knoten (Nodes) und Kanten (Edges oder Links). 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.\"\n    }\n  },{\n    \"@type\": \"Frage\",\n    \"name\": \"Wie funktionieren grafische neuronale Netze?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Die Funktionsweise von grafischen neuronalen Netzen beruht auf einer Technik, die als \"message passing\" bezeichnet wird. Diese Technik erm\u00f6glicht die Verarbeitung 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 verwendet.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"Was sind die verschiedenen GNN-Architekturen?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Es gibt verschiedene Arten von GNN-Architekturen, hier eine Beschreibung der bekanntesten: 1. MPGNN (Message Passing Graph Neural Networks). MPGNNs verwenden Message Passing, um jeden Knoten mithilfe von Informationen aus benachbarten Knoten zu aktualisieren. 2. GCNNs (Graph Convolutional Neural Networks), auch bekannt als Graph Convolutional Neural Networks (Graphenfaltende Neuronale Netze). Diese Netze wenden eine Faltungsschicht auf die Einbettungen der Knoten und Kanten an. 3. Graph Attention Neural Networks (GATs), auch bekannt als Graph Attention Neuronal Networks. Diese Art von Architektur gewichtet die Bedeutung der Nachbarknoten w\u00e4hrend der Phase der Informationsweitergabe (message passing). Tats\u00e4chlich wird f\u00fcr jedes Knotenpaar ein Aufmerksamkeitswert berechnet, der zur Gewichtung der einzelnen Knoten verwendet wird.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"Wozu dienen GNN?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"GNN werden vielf\u00e4ltig eingesetzt, hier einige Beispiele: Knotenklassifizierung, Graphikklassifizierung, Empfehlungssystem, Natural Language Processing, Link Prediction, Computer Vision, Clustering.\"\n    }\n  }]\n}\n<\/script>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>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. Was sind grafische neuronale Netze? Mit dem exponentiellen Wachstum der Datenwissenschaft hat auch das Machine Learning weitere [&hellip;]<\/p>\n","protected":false},"author":67,"featured_media":179996,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2454],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Graph Neural Networks (GNN): Was ist das?<\/title>\n<meta name=\"description\" content=\"Graph Neural Networks (GNNs) sind eine Klasse von k\u00fcnstlichen neuronalen Netzwerken, die speziell f\u00fcr die Verarbeitung von Daten auf\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Graph Neural Networks (GNN): Was ist das?\" \/>\n<meta property=\"og:description\" content=\"Graph Neural Networks (GNN) sind spezielle neuronale Netze, die dazu dienen, schwierige Probleme auf der Grundlage von Graphen zu l\u00f6sen, die eine komplexe\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das\" \/>\n<meta property=\"og:site_name\" content=\"Weiterbildung Data Science | DataScientest.com\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/DataScientestEN\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-14T15:22:28+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-30T11:50:26+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2023\/07\/GNN.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1025\" \/>\n\t<meta property=\"og:image:height\" content=\"562\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Melanie\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:site\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Melanie\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"9\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das#article\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das\"},\"author\":{\"name\":\"Melanie\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\"},\"headline\":\"Graph Neural Networks (GNN): Was ist das?\",\"datePublished\":\"2023-07-14T15:22:28+00:00\",\"dateModified\":\"2023-10-30T11:50:26+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das\"},\"wordCount\":1398,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"articleSection\":[\"Data Science\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das#respond\"]}],\"copyrightYear\":\"2023\",\"copyrightHolder\":{\"@id\":\"https:\/\/datascientest.com\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das\",\"url\":\"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das\",\"name\":\"Graph Neural Networks (GNN): Was ist das?\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/#website\"},\"datePublished\":\"2023-07-14T15:22:28+00:00\",\"dateModified\":\"2023-10-30T11:50:26+00:00\",\"description\":\"Graph Neural Networks (GNNs) sind eine Klasse von k\u00fcnstlichen neuronalen Netzwerken, die speziell f\u00fcr die Verarbeitung von Daten auf\",\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/de\/#website\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"name\":\"Weiterbildung Data Science | DataScientest.com\",\"description\":\"F\u00fchrender Anbieter von Schulungen im Bereich Data Science\",\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datascientest.com\/de\/#organization\",\"name\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"contentUrl\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"width\":301,\"height\":301,\"caption\":\"DataScientest\"},\"image\":{\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/DataScientestEN\",\"https:\/\/twitter.com\/DataScientest__\",\"https:\/\/www.linkedin.com\/company\/datascientest-germany\/\",\"https:\/\/www.tiktok.com\/@datascientest\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\",\"name\":\"Melanie\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g\",\"caption\":\"Melanie\"},\"url\":\"https:\/\/datascientest.com\/de\/author\/melaniekrause\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Graph Neural Networks (GNN): Was ist das?","description":"Graph Neural Networks (GNNs) sind eine Klasse von k\u00fcnstlichen neuronalen Netzwerken, die speziell f\u00fcr die Verarbeitung von Daten auf","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das","og_locale":"de_DE","og_type":"article","og_title":"Graph Neural Networks (GNN): Was ist das?","og_description":"Graph Neural Networks (GNN) sind spezielle neuronale Netze, die dazu dienen, schwierige Probleme auf der Grundlage von Graphen zu l\u00f6sen, die eine komplexe","og_url":"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das","og_site_name":"Weiterbildung Data Science | DataScientest.com","article_publisher":"https:\/\/www.facebook.com\/DataScientestEN","article_published_time":"2023-07-14T15:22:28+00:00","article_modified_time":"2023-10-30T11:50:26+00:00","og_image":[{"width":1025,"height":562,"url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2023\/07\/GNN.png","type":"image\/png"}],"author":"Melanie","twitter_card":"summary_large_image","twitter_creator":"@DataScientest__","twitter_site":"@DataScientest__","twitter_misc":{"Verfasst von":"Melanie","Gesch\u00e4tzte Lesezeit":"9\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das#article","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das"},"author":{"name":"Melanie","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d"},"headline":"Graph Neural Networks (GNN): Was ist das?","datePublished":"2023-07-14T15:22:28+00:00","dateModified":"2023-10-30T11:50:26+00:00","mainEntityOfPage":{"@id":"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das"},"wordCount":1398,"commentCount":0,"publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"articleSection":["Data Science"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das#respond"]}],"copyrightYear":"2023","copyrightHolder":{"@id":"https:\/\/datascientest.com\/#organization"}},{"@type":"WebPage","@id":"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das","url":"https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das","name":"Graph Neural Networks (GNN): Was ist das?","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/#website"},"datePublished":"2023-07-14T15:22:28+00:00","dateModified":"2023-10-30T11:50:26+00:00","description":"Graph Neural Networks (GNNs) sind eine Klasse von k\u00fcnstlichen neuronalen Netzwerken, die speziell f\u00fcr die Verarbeitung von Daten auf","inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/de\/graph-neural-networks-gnn-was-ist-das"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/de\/#website","url":"https:\/\/datascientest.com\/de\/","name":"Weiterbildung Data Science | DataScientest.com","description":"F\u00fchrender Anbieter von Schulungen im Bereich Data Science","publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/datascientest.com\/de\/#organization","name":"DataScientest","url":"https:\/\/datascientest.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","contentUrl":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","width":301,"height":301,"caption":"DataScientest"},"image":{"@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/DataScientestEN","https:\/\/twitter.com\/DataScientest__","https:\/\/www.linkedin.com\/company\/datascientest-germany\/","https:\/\/www.tiktok.com\/@datascientest"]},{"@type":"Person","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d","name":"Melanie","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g","caption":"Melanie"},"url":"https:\/\/datascientest.com\/de\/author\/melaniekrause"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/179994"}],"collection":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/users\/67"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/comments?post=179994"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/179994\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media\/179996"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media?parent=179994"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/categories?post=179994"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/tags?post=179994"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}