Глубокое обучение на графах: обзор

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.