Графовые нейронные сети: обзор методов и приложений
Graph Neural Networks: A Review of Methods and Applications
2018-12-20
SCID: 54.1/w9p64hew
Discuss with AI
графовые сети вниманияграфовые сверточные сетиграфовые нейронные сетиграфовые рекуррентные сетипередача сообщений
Figures from the paper
Abstract (AI)
Многие задачи обучения требуют обработки графовых данных, содержащих богатую информацию о взаимосвязях между элементами. Моделирование физических систем, получение молекулярных отпечатков, прогнозирование интерфейсов белков и классификация заболеваний требуют моделей, способных обучаться на графовых входных данных. В других областях, связанных с неструктурированными данными, такими как тексты и изображения, рассуждение на основе извлеченных структур, например деревьев зависимостей предложений и графов сцен изображений, представляет собой важное направление исследований, также требующее моделей для работы с графовыми структурами. Графовые нейронные сети (GNN) представляют собой нейронные модели, которые выявляют зависимости в графах посредством передачи сообщений между узлами графа. В последние годы варианты GNN, такие как графовые сверточные сети (GCN), графовые сети внимания (GAT) и графовые рекуррентные сети (GRN), продемонстрировали выдающиеся результаты во многих задачах глубокого обучения. В этом обзоре предлагается общая схема проектирования моделей GNN, рассматриваются варианты каждого ее компонента, систематически классифицируются области применения и формулируются четыре открытые проблемы для будущих исследований.
Key Findings
1
Графовые нейронные сети моделируют структурированные графами данные, передавая сообщения между узлами для учета зависимостей.
2
Систематизированы применения GNN в моделировании физических систем, изучении молекулярных отпечатков, прогнозировании белковых интерфейсов, классификации заболеваний и рассуждении по извлеченным структурам.
3
В обзоре выделены четыре открытые проблемы, определяющие направления будущих исследований графовых нейронных сетей.
4
В обзоре представлен общий конвейер проектирования моделей GNN и систематически рассмотрены варианты каждого его компонента.
5
Варианты, включая графовые сверточные, графовые внимательные и графовые рекуррентные сети, показали высокую эффективность во множестве задач глубокого обучения.
Research Object
Графовые нейронные сети и их применение к графовым данным и извлечённым структурам
Research Subject
Методы, архитектурные компоненты, механизмы передачи сообщений, области применения и нерешённые исследовательские проблемы графовых нейронных сетей
Publication Details
Publication Date
2018-12-20
Journal
Publisher
ISSN
Cited by
1444
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai15
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Градиентное обучение для распознавания документов1998
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Нелокальные нейронные сети2018
Модель графовой нейронной сети2008
PointNet: глубокое обучение на множествах точек для 3D-классификации и сегментации2017
Динамическая графовая сверточная нейронная сеть для обучения на облаках точек2019
Нейронная передача сообщений для квантовой химии2017
Графовые сверточные сети с пространственно-временным вниманием для прогнозирования транспортных потоков2019
Графовая нейронная сеть с механизмом внимания для неоднородных графов2019
Сверточные графовые сети: всесторонний обзор2019
Глубокое обучение на графах: обзор2020
Взаимодействующие сети для обучения представлениям об объектах, отношениях и физике2016
EvolveGCN: Эволюционирующие графовые сверточные сети для динамических графов2020
Обнаружение уязвимостей, специфичных для функциональности, путем поиска индивидуальных эквивалентных по функциональности API в открытых репозиториях2025
Работы, цитирующие эту статью10
Глубокое обучение для универсального обнаружения объектов: обзор2019
Обзор количественной оценки неопределенности в глубоком обучении: методы, приложения и проблемы2021
Сверточные графовые сети: всесторонний обзор2019
Конвергенция периферийных вычислений и глубокого обучения: комплексный обзор2020
Графовые нейронные сети в рекомендательных системах: обзор2022
Основы и моделирование динамических сетей с использованием динамических графовых нейронных сетей: обзор2021
Обзор методов обучения представлений графов2023
Финансовая киберпреступность: всесторонний обзор подходов глубокого обучения к противодействию меняющемуся ландшафту финансовой преступности2021
Обнаружение аномалий в динамических графах: всесторонний обзор2024
Обзор методов обнаружения вредоносного программного обеспечения с использованием обучения представлений на графах2024