Глубокое обучение на графах: обзор
Deep Learning on Graphs: A Survey
2020-03-17
SCID: 54.1/jhj6f8hj
Discuss with AI
глубокое обучение на графахграфовые автоэнкодерыграфовые сверточные сетиграфовые рекуррентные нейронные сетиграфовое обучение с подкреплением
Figures from the paper
Abstract (AI)
Было показано, что глубокое обучение успешно применяется в ряде областей — от акустики и обработки изображений до обработки естественного языка. Однако применение глубокого обучения к повсеместно используемым графовым данным нетривиально из-за уникальных характеристик графов. В последнее время значительные исследовательские усилия были направлены на применение методов глубокого обучения к графам, что привело к существенному развитию методов анализа графов. В этом обзоре представлен всесторонний анализ различных типов методов глубокого обучения на графах. Существующие методы разделены на пять категорий в зависимости от архитектуры моделей и стратегий обучения: графовые рекуррентные нейронные сети, графовые сверточные сети, графовые автокодировщики, графовое обучение с подкреплением и графовые состязательные методы. Затем эти методы систематически рассматриваются преимущественно с учетом истории их развития. Также анализируются различия и сочетания различных методов. Наконец, кратко описываются области применения этих методов и обсуждаются перспективные направления дальнейших исследований.
Key Findings
1
Существующие методы глубокого обучения для графов разделены на пять категорий: рекуррентные и сверточные сети, автоэнкодеры, обучение с подкреплением и состязательные методы.
2
Обзор суммирует применения глубокого обучения на графах и выделяет потенциальные направления будущих исследований.
3
В обзоре объясняется, почему применение глубокого обучения к графам нетривиально из-за их специфических структурных характеристик.
4
Методы систематически рассматриваются с учетом истории их развития, а также анализируются различия между ними и возможности их сочетания.
Research Object
Методы глубокого обучения, применяемые к графовым данным
Research Subject
Архитектуры, стратегии обучения, различия, сочетания, развитие, применения и перспективные направления методов глубокого обучения для анализа графов
Publication Details
Publication Date
2020-03-17
Journal
Publisher
ISSN
Cited by
1732
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai19
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Adam: метод стохастической оптимизации2014
Возникновение масштабирования в случайных сетях1999
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Всеобъемлющий обзор графовых нейронных сетей2020
Элементы статистического обучения: добыча данных, вывод и предсказание2010
Глубокие нейронные сети для акустического моделирования в распознавании речи: общее мнение четырёх исследовательских групп2012
Модель графовой нейронной сети2008
Графовые нейронные сети: обзор методов и приложений2020
Пространственно-временные графовые сверточные сети: платформа глубокого обучения для прогнозирования трафика2018
Нейронная передача сообщений для квантовой химии2017
Графовые сверточные нейронные сети для рекомендательных систем веб‑масштаба2018
Коллективная классификация в сетевых данных2008
Графовая нейронная сеть с механизмом внимания для неоднородных графов2019
Сверточные графовые сети: всесторонний обзор2019
Взаимодействующие сети для обучения представлениям об объектах, отношениях и физике2016
DeepPath: метод обучения с подкреплением для логического вывода в графах знаний2017
Работы, цитирующие эту статью9
Обзор глубокого обучения: концепции, архитектуры сверточных нейронных сетей, проблемы, применения и перспективные направления2021
Графовые нейронные сети: обзор методов и приложений2020
Конвергенция периферийных вычислений и глубокого обучения: комплексный обзор2020
Графовые нейронные сети: обзор методов и приложений2018
Графовые нейронные сети для интеллектуальных транспортных систем: обзор2023
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
Обзор методов обнаружения вредоносного программного обеспечения с использованием обучения представлений на графах2024