Графовые нейронные сети: обзор методов и приложений

Многим задачам обучения требуется работа с графовыми данными, содержащими богатую информацию о взаимоотношениях между элементами. Моделирование физических систем, обучение молекулярных отпечатков, предсказание белковых интерфейсов и классификация заболеваний требуют моделей, способных обучаться на графовых входных данных. В других областях, например при обучении на неструктурированных данных, таких как тексты и изображения, важным исследовательским направлением является рассуждение по извлечённым структурам (например, деревьям зависимостей предложений и сценовым графам изображений), что также требует моделей графового вывода. Графовые нейронные сети (GNN) — это нейронные модели, улавливающие зависимости в графах посредством передачи сообщений между узлами графа. В последние годы варианты GNN, такие как графовые сверточные сети (GCN), графовые сети с вниманием (GAT) и графовые рекуррентные сети (GRN), демонстрируют значительные достижения во многих задачах глубокого обучения. В этом обзоре мы предлагаем общую конвейерную схему (design pipeline) для моделей GNN, обсуждаем варианты каждого компонента, систематически классифицируем приложения и выделяем четыре открытые проблемы для будущих исследований.