Графовые нейронные сети: обзор методов и приложений
Graph neural networks: A review of methods and applications
2020-01-01
SCID: 54.1/3brjuufe
Discuss with AI
graph attention network (GAT)graph convolutional network (GCN)графовые нейронные сетиgraph recurrent network (GRN)протокол передачи сообщений (message passing)
Figures from the paper
Abstract (AI)
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.
Key Findings
1
GNN применимы как к по природе структурированным областям (физические системы, молекулярные отпечатки, предсказание интерфейсов белков, классификация заболеваний), так и к задачам с извлечённой структурой из неструктурированных данных (деревья зависимостей в тексте, графы сцен в изображениях).
2
Графовые нейронные сети (GNN) моделируют данные в форме графа, захватывая зависимости через обмен сообщениями между узлами.
3
Статья систематически категоризирует приложения GNN и выделяет четыре открытые проблемы для будущих исследований.
4
В обзоре предложен общий конвейер проектирования GNN и обсуждены варианты выбора для каждого его компонента.
5
Варианты GNN — графовые сверточные сети (GCN), графовые сети с вниманием (GAT) и графовые рекуррентные сети (GRN) — продемонстрировали прорывные показатели во многих задачах глубокого обучения.
Research Object
Графовые нейронные сети (GNN)
Research Subject
Методы, компоненты проектирования, варианты и приложения графовых нейронных сетей, включая архитектуры обмена сообщениями (например, GCN, GAT, GRN), категоризацию областей применения и выявление открытых научных проблем
Publication Details
Publication Date
2020-01-01
Journal
Publisher
ISSN
Cited by
7812
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai20
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Градиентное обучение для распознавания документов1998
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Нейронный машинный перевод посредством совместного обучения выравниванию и переводу2014
Всеобъемлющий обзор графовых нейронных сетей2020
Нелокальные нейронные сети2018
Модель графовой нейронной сети2008
PointNet: глубокое обучение на множествах точек для 3D-классификации и сегментации2017
Динамическая графовая сверточная нейронная сеть для обучения на облаках точек2019
Пространственно-временные графовые сверточные сети: платформа глубокого обучения для прогнозирования трафика2018
Нейронная передача сообщений для квантовой химии2017
Графовые сверточные сети с пространственно-временным вниманием для прогнозирования транспортных потоков2019
Графовые сверточные нейронные сети для рекомендательных систем веб‑масштаба2018
Графовая нейронная сеть с механизмом внимания для неоднородных графов2019
Сверточные двумерные встраивания для графов знаний2018
Трансформер для неоднородных графов2020
Сверточные графовые сети: всесторонний обзор2019
Глубокое обучение на графах: обзор2020
Работы, цитирующие эту статью20
Глубокое обучение для универсального обнаружения объектов: обзор2019
Обзор количественной оценки неопределенности в глубоком обучении: методы, приложения и проблемы2021
Сверточные графовые сети: всесторонний обзор2019
Глубокое обучение на графах: обзор2020
Конвергенция периферийных вычислений и глубокого обучения: комплексный обзор2020
Графовые нейронные сети в рекомендательных системах: обзор2022
Глубокое обучение в оптической метрологии: обзор2022
Обзор графовых нейронных сетей для рекомендательных систем: проблемы, методы и направления развития2023
Обучение структур графов с помощью Transformer для обнаружения аномалий в многомерных временных рядах в Интернете вещей2021
Пространственно-временные графовые нейронные сети для предиктивного обучения в городской информатике: обзор2023
Обзор анализа тональности на основе аспектов: задачи, методы и проблемы2022
Графовые нейронные сети и их современные применения в биоинформатике2021
Графовые нейронные сети для интеллектуальных транспортных систем: обзор2023
Предиктивное качество в производстве на основе машинного обучения и глубокого обучения: систематический обзор2022
Основы и моделирование динамических сетей с использованием динамических графовых нейронных сетей: обзор2021
Вычисления для графовых нейронных сетей: обзор от алгоритмов до ускорителей2021
Обзор методов обучения представлений графов2023
Финансовая киберпреступность: всесторонний обзор подходов глубокого обучения к противодействию меняющемуся ландшафту финансовой преступности2021
Обнаружение аномалий в динамических графах: всесторонний обзор2024
Обзор методов обнаружения вредоносного программного обеспечения с использованием обучения представлений на графах2024