Всеобъемлющий обзор графовых нейронных сетей

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.