Всеобъемлющий обзор графовых нейронных сетей
A Comprehensive Survey on Graph Neural Networks
2020-03-24
SCID: 54.1/hfsk7d2w
Discuss with AI
сверточные GNNsграфовые автоэнкодерыграфовые нейронные сети (GNNs)рекуррентные GNNsпространственно-временные GNNs
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Графовые нейронные сети (GNN)
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai18
Глубокое остаточное обучение для распознавания изображений2016
Градиентное обучение для распознавания документов1998
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Глубокие нейронные сети для акустического моделирования в распознавании речи: общее мнение четырёх исследовательских групп2012
Модель графовой нейронной сети2008
Эффективные подходы к нейронному машинному переводу на основе механизма внимания2015
Динамическая графовая сверточная нейронная сеть для обучения на облаках точек2019
Система нейронного машинного перевода Google: сокращение разрыва между человеческим и машинным переводом2016
Пространственно-временные графовые сверточные сети: платформа глубокого обучения для прогнозирования трафика2018
Нейронная передача сообщений для квантовой химии2017
Автоматическое проектирование химических соединений с использованием управляемого данными непрерывного представления молекул2018
Графовые сверточные сети с пространственно-временным вниманием для прогнозирования транспортных потоков2019
Графовые сверточные нейронные сети для рекомендательных систем веб‑масштаба2018
Коллективная классификация в сетевых данных2008
Графовая нейронная сеть с механизмом внимания для неоднородных графов2019
Квантово-химические структуры и свойства 134 тысяч молекул2014
Дискретная обработка сигналов на графах2013
Работы, цитирующие эту статью20
Графовые нейронные сети: обзор методов и приложений2020
Глубокое обучение для универсального обнаружения объектов: обзор2019
ChatGPT: комплексный обзор предпосылок создания, применений, ключевых проблем, предвзятости, этических аспектов, ограничений и перспектив развития2023
Графы знаний2021
Сверточные графовые сети: всесторонний обзор2019
Глубокое обучение на графах: обзор2020
Графовые нейронные сети в рекомендательных системах: обзор2022
Обзор графовых нейронных сетей для рекомендательных систем: проблемы, методы и направления развития2023
Прогнозирование транспортных потоков с помощью пространственно-временной графовой нейронной сети2020
Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий2024
Методы машинного обучения для решения задач, связанных с малыми объемами данных в молекулярной науке2023
Графовые нейронные сети для интеллектуальных транспортных систем: обзор2023
Всесторонний обзор глубокого обучения: архитектуры, последние достижения и применения2024
Основы и моделирование динамических сетей с использованием динамических графовых нейронных сетей: обзор2021
Вычисления для графовых нейронных сетей: обзор от алгоритмов до ускорителей2021
Обзор больших языковых моделей и автономных агентов в химии2024
Сквозные спектрально-временные графовые сети с механизмом внимания для защиты верификации говорящего от спуфинга и обнаружения дипфейков речи2021
Обзор методов обучения представлений графов2023
Нейронные сети для изучения взаимосвязей между последовательностью и функцией белков по данным глубокого мутационного сканирования2021
Финансовая киберпреступность: всесторонний обзор подходов глубокого обучения к противодействию меняющемуся ландшафту финансовой преступности2021