Сверточные графовые сети: всесторонний обзор

Графы естественным образом встречаются во множестве областей применения, от социального анализа и биоинформатики до компьютерного зрения. Уникальная способность графов заключается в захвате структурных взаимосвязей между данными, что позволяет получить больше информации по сравнению с анализом данных в изоляции. Тем не менее задачи обучения на графах часто представляют большие трудности, потому что (1) многие типы данных изначально не имеют графовой структуры, например изображения и текстовые данные, и (2) для графово-структурированных данных базовые шаблоны связности часто сложны и разнообразны. Представление (representation learning) добилось больших успехов во многих областях; поэтому потенциальным решением является обучение представлений графов в низкоразмерном евклидовом пространстве так, чтобы сохранялись свойства графа. Хотя приложено множество усилий для решения задачи представления графов, многие методы по-прежнему страдают от поверхностных механизмов обучения. Модели глубокого обучения для графов (например, графовые нейронные сети) недавно появились в машинном обучении и смежных областях и продемонстрировали превосходную эффективность в различных задачах. В этом обзоре, несмотря на большое разнообразие графовых нейронных сетей, мы проводим всесторонний обзор непосредственно области сверточных графовых сетей — одной из наиболее заметных моделей глубокого обучения на графах. Во-первых, мы группируем существующие модели сверточных графовых сетей в две категории на основе типов сверток и подробно освещаем отдельные модели. Затем мы классифицируем различные сверточные графовые сети по областям их применения. Наконец, мы приводим несколько открытых задач в этой области и обсуждаем потенциальные направления для будущих исследований.