Всеобъемлющий обзор графовых нейронных сетей

A Comprehensive Survey on Graph Neural Networks
Chengqi Zhang, Guodong Long, Shirui Pan, Shirui Pan, Philip S. Yu, Zonghan Wu, Fengwen Chen, Chengqi Zhang, Zonghan Wu, Guodong Long
2020-03-24

сверточные GNNsграфовые автоэнкодерыграфовые нейронные сети (GNNs)рекуррентные GNNsпространственно-временные GNNs
Глубокое обучение за последние годы произвело революцию во многих задачах машинного обучения, от классификации изображений и обработки видео до распознавания речи и понимания естественного языка. Данные в этих задачах обычно представлены в евклидовом пространстве. Однако растёт число приложений, где данные генерируются из неевклидовых доменов и представляются в виде графов со сложными связями и взаимозависимостями между объектами. Сложность графовых данных создала существенные проблемы для существующих алгоритмов машинного обучения. В последнее время появилось множество исследований, направленных на расширение подходов глубокого обучения для работы с графовыми данными. В этой статье мы даём всесторонний обзор графовых нейронных сетей (GNN) в областях добычи данных и машинного обучения. Мы предлагаем новую таксономию, разделяющую современные GNN на четыре категории: рекуррентные GNN, свёрточные GNN, графовые автоэнкодеры и пространственно-временные GNN. Далее мы обсуждаем применения GNN в различных областях и суммируем открытые исходные коды, эталонные наборы данных и методы оценки моделей GNN. Наконец, мы предлагаем потенциальные направления исследований в этой быстро растущей области.
1
Графовые нейронные сети (GNN) расширяют глубокое обучение на неэвклидовы данные в виде графов со сложными связями и взаимозависимостями.
2
Статья выделяет проблемы применения существующих методов машинного обучения к графовым данным и предлагает потенциальные направления будущих исследований в области GNN.
3
В статье предложена новая таксономия, разделяющая современные GNN на четыре группы: рекуррентные GNN, сверточные GNN, графовые автоэнкодеры и пространственно-временные GNN.
4
Обзор суммирует применения GNN в различных областях и собирает открытый исходный код, эталонные наборы данных и практики оценки моделей.

Графовые нейронные сети (GNN)

Комплексный обзор, таксономия, области применения, эталонные наборы данных и исходные коды, оценка моделей и направления будущих исследований для GNN (включая рекуррентные, сверточные, граф-автокодировщики и пространственно-временные варианты)

Publication Details
Publication Date
2020-03-24
Journal
Publisher
ISSN
Cited by
12452
Access Type
Author Information
Authors
Chengqi Zhang
Guodong Long
Shirui Pan
Shirui Pan
Philip S. Yu
Zonghan Wu
Fengwen Chen
Chengqi Zhang
Zonghan Wu
Guodong Long
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%