Quais benefícios podem ser obtidos com a aplicação da Rede Neural Convolucional em vez da CNN comum?

Que benefícios podemos obter com a aplicação da Rede Neural Convolucional Graph em vez da CNN comum? Quero dizer, se podemos resolver um problema pela CNN, qual é a razão pela qual devemos converter o Graph Convolutional Neural Network para resolvê-lo? Existem exemplos, ou seja, os trabalhos podem ser exibidos substituindo a CNN comum pela Rede Neural Convolucional em Gráfico, obtendo-se um aumento na precisão ou melhoria da qualidade ou ganho de desempenho? Alguém pode apresentar alguns exemplos como classificação de imagem, reconhecimento de imagem, especialmente em imagens médicas, bioinformática ou áreas biomédicas?

De um modo geral, um gráfico CNN é aplicado aos dados representados por gráficos , não imagens.

• um gráfico é uma coleção de nós e arestas que os conectam.

• uma imagem é uma matriz 2D ou 3D, na qual cada elemento denota um pixel no espaço

Se seus dados são apenas imagens ou algo semelhante (por exemplo, alguns dados de ressonância magnética), você geralmente não pode se beneficiar do CNN gráfico comparado com o CNN usual.

Às vezes, os rótulos de classe de suas imagens podem ser organizados em uma estrutura semelhante a um gráfico (ou semelhante a uma árvore). Nesse caso, você pode se beneficiar do gráfico CNN.

Bioinformática é uma área em que a Rede Neural Convolucional do Gráfico é útil. Considere redes de proteínas, ou redes gene-gene. Certamente, as redes biológicas podem ser representadas como um gráfico. Agora, você deve ver como o GCN é útil para bioinformática.