翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# ディープグラフネットワーク
<a name="deep-graph-library"></a>

ディープグラフネットワークとは、ニューラルネットワークの一種で、グラフの問題を解決するためにトレーニングされたもののことです。ディープグラフネットワークは、PyTorch や MXNet などの基礎となるディープラーニングフレームワークを使用します。実用的な AI アプリケーションにおけるグラフネットワークの可能性は、[ Deep Graph Library](https://www.dgl.ai/) (DGL) の Amazon SageMaker AI チュートリアルで取り上げられています。グラフデータセットのトレーニングモデルの例としては、ソーシャルネットワーク、ナレッジベース、生物学、化学などがあります。

 ![The Deep Graph Library (DGL) ecosystem.](http://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/images/dgl_white_background_bold.png) 

 *図 1。DGL エコシステム* 

DGL であらかじめ設定した Amazon SageMaker AI のディープラーニングコンテナを使用した例をいくつか用意しています。DGL で使用する特別なモジュールがある場合は、独自のコンテナを作成することもできます。例には、数種類のノードとエッジを持ち、バイオインフォマティクスやソーシャルネットワーク解析など、さまざまな科学分野にわたるさまざまなアプリケーションを対象とするヘテログラフが含まれています。DGL は、[異なるタイプのモデルに対するグラフニューラルネットワークの実装](https://docs.dgl.ai/tutorials/models/index.html)を幅広く提供します。主な例は次のとおりです。
+ グラフ畳み込みネットワーク (GCN)
+ リレーショナルグラフ畳み込みネットワーク (R-GCN)
+ グラフアテンションネットワーク (GAT)
+ グラフ深層生成モデル (DGMG)
+ ジャンクションツリーニューラルネットワーク (JTNN)

**ディープグラフネットワークをトレーニングするには**

1. Amazon SageMaker AI の **[JupyterLab]** ビューから、[サンプルノートブック](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/sagemaker-python-sdk)を参照し、DGL フォルダを探します。サンプルをサポートするために、いくつかのファイルを含めることができます。README で前提条件を確認します。

1. .ipynb ノートブックのサンプルを実行します。  

1. 推定関数を見つけ、DGL 用の Amazon ECR コンテナと特定のインスタンスタイプを使用している行をメモします。これを更新すると、任意のリージョンのコンテナを使用できます。

1. 関数を実行してインスタンスを起動し、DGL コンテナを使用してグラフネットワークのトレーニングを行います。このインスタンスの起動には料金が発生します。トレーニングが完了すると、インスタンスは自動的に終了します。

ナレッジグラフ埋め込み (KGE) の例を挙げます。これは、一般的な事実のナレッジベースである Freebase データセットを使用します。使用例としては、人の関係をグラフ化し、その国籍を予測することが挙げられます。  

グラフ畳み込みネットワーク (GCN) の実装例では、グラフネットワークを訓練して毒性を予測する方法を示します。生理学データセットである Tox21 は、物質が生物学的反応に及ぼす影響についての毒性測定を提供します。  

もう 1 つの GCN の例は、Cora として知られる、科学誌の出版目録のデータセットを基にグラフネットワークをトレーニングする方法が記載されています。これを使用すると、作成者、トピック、および学会の関係を検索できます。

最初の例は、映画レビューに推奨されるシステムです。MovieLens データセットで訓練されたグラフ畳み込みマトリックス完了 (GCMC) ネットワークを使用します。これらのデータセットは、映画のタイトル、ジャンル、ユーザーによる評価で構成されます。