A comparative study on node classification methods for undirected social networks

Geleneksel Sinir Ağları, görüntü ve metin sınıflandırması gibi normal 1 boyutlu ve 2 boyutlu Öklid verileriyle ilgili sorunları çözebilir. Bununla birlikte, gerçek hayattaki sorunların çoğu ilişkiye dayalıdır ve karşılık gelen gerçek dünya verileri Öklid dışı bir doğaya sahiptir. Bu makale, karmaşık ilişkilere sahip Öklid dışı verileri içeren gerçek yaşam problemlerini çözmek için Grafik Sinir Ağları (GNN'ler) ve geleneksel yaklaşımlar (K-En Yakın Komşu (KNN)) arasında karşılaştırmalı bir çalışma sunmaktadır. Sonuçlar, GNN modellerinin grafik yapılandırılmış verilerde düşük çalışma süresini korurken doğruluk açısından KNN'den daha iyi performans gösterdiğini göstermektedir. Çalışma, Graph Convolutional Networks (GCN'ler) ve GraphSAGE'ın güçlü yönlerini ve sınırlamalarını vurgulamakta, GraphSAGE esneklik ve ölçeklenebilirlik sunmakta ancak potansiyel olarak toplama yanlılığı getirmektedir. Devam eden deneyler, algoritmaların hiperparametre değerlerine duyarlılığının araştırılmasını içerir. Genel olarak, bu araştırma GNN metodolojilerinin çeşitli alanlarda anlaşılmasına ve pratik uygulanmasına katkıda bulunmaktadır.