GNN atau graph neural network sendiri merupakan salah satu arsitektur deep learning yang digunakan untuk menyelesaikan masalah-masalah machine learning pada data yang berbentuk grafik. Menurut Prof. Martin, GNN ini dapat ditinjau sebagai bentuk umum dari convolutional neural network (CNN) dari struktur kisi (piksel dalam gambar) yang cenderung ‘kaku’ menjadi data yang lebih fleksibel namun tetap terstruktur.

“Perbedaan nyata antara GNN (graph neural network) dengan kecerdasan artifisial ‘tradisional’ adalah kecerdasan artifisial ‘tradisional’ masih didasarkan oleh logika,” ujarnya.
GNN dan Fungsinya.

Data pada GNN, jelasnya, berbentuk vektor bilangan riil dengan alur pertukaran informasi yang tidak memiliki aturan ataupun giliran secara spesifik. Vektor awal kemudian mengalami agregasi setelah menerima data dari titik terdekatnya.

Setelah adanya proses agregasi, perlu diputuskan hal apa yang ingin dikomputasikan. Terdapat dua pilihan pada GNN, yakni untuk mengkomputasi node-level function atau graph-level function. GNN sendiri memiliki jumlah layer atau lapis yang telah ditentukan, dengan setiap layer-nya memiliki fungsi agregasi yang berbeda.

“Titik-titik, seperti yang ditunjukkan oleh gambar ini, akan mengirim data dan secara bersamaan menerima data dari titik terdekat. Setelah terjadi pertukaran informasi, masing-masing titik tersebut memperbarui data yang mereka punya,” ujarnya.

Pertanyaan yang dilempar oleh Martin Grohe adalah bagaimana jika kita hanya memiliki satu fungsi agregasi atau satu fungsi kombinasi? Hal ini kemudian dijawab mengenai paparan selanjutnya, yakni mengenai recurrent GNN. Recurrent GNN adalah ketika satu fungsi agregasi diaplikasikan secara terus menerus selama yang kita inginkan. Hal ini mungkin untuk dilakukan karena jumlah iterasinya tidak ditentukan.

“Banyaknya iterasi yang dilakukan umumnya tergantung pada ukuran graph yang dijadikan sebagai input atau bahkan berdasarkan evolusi dari sekuens yang terjadi,” jelasnya. Evolusi ini, dimisalkan olehnya, adalah ketika sekuens tersebut mulai konvergen pada suatu titik, maka iterasi tersebut dihentikan.

Algoritma Weisfeiler-Leman

Pembahasan mengenai topik algoritma Weisfeiler-Leman dibuka dengan perkenalan ke algoritma colour refinement yang mengkomputasikan secara iteratif titik-titik pada sebuah graph dengan warna.

Ia mengatakan, dua graph dapat dibedakan satu sama lain menggunakan algoritma ini. Hubungan antara GNN dan algoritma colour refinement ialah algoritma colour refinement merupakan sebuah abstraksi dari apa yang dilakukan oleh GNN.

Sebagai kesimpulan pada akhir paparan, Prof. Martin Grohe menekankan kembali bahwa GNN adalah sebuah arsitektur pembelajaran yang sangat fleksibel dan dapat digunakan untuk beradaptasi dengan formalisme logik, contohnya adalah untuk beradaptasi dengan constraint satisfaction problems (CSPs) yang menyediakan framework umum untuk masalah pencarian kombinatorial.

Reporter: Athira Syifa PS (Teknologi Pascapanen, 2019)