Графовые нейронные сети: обзор методов и приложений

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.