¿Qué beneficios se pueden obtener al aplicar la Red neuronal convolucional de gráficos en lugar de la CNN ordinaria?

¿Qué beneficios podemos obtener al aplicar la red neuronal convolucional gráfica en lugar de la CNN ordinaria? Quiero decir, si podemos resolver un problema por CNN, ¿cuál es la razón por la que deberíamos convertirnos a Graph Neural Convolutional Neural Network para resolverlo? ¿Hay algún ejemplo, es decir, los documentos pueden mostrar al reemplazar CNN ordinario con la red neuronal convolucional de gráficos, un aumento de precisión o una mejora de calidad o una ganancia de rendimiento? ¿Alguien puede presentar algunos ejemplos como clasificación de imágenes, reconocimiento de imágenes especialmente en imagen médica, bioinfomática o áreas biomédicas?

En términos generales, un gráfico CNN se aplica a los datos representados por gráficos , no por imágenes.

• Un gráfico es una colección de nodos y aristas que los conectan.

• una imagen es una matriz 2D o 3D, en la que cada elemento denota un píxel en el espacio

Si sus datos son solo imágenes o algo similar (por ejemplo, algunos datos de fMRI), generalmente no puede beneficiarse de la CNN gráfica en comparación con la CNN habitual.

A veces, las etiquetas de clase de sus imágenes pueden organizarse en una estructura similar a un gráfico (o similar a un árbol). En ese caso, puede tener la oportunidad de beneficiarse del gráfico CNN.

La bioinformática es un área en la que la red neuronal convolucional de gráficos es útil. Considere las redes de proteínas, o las redes gen-gen. Seguramente, las redes biológicas se pueden representar como un gráfico. Ahora, debería ver cómo GCN es útil para la bioinformática.