論文の概要: Graph Neural Networks: Methods, Applications, and Opportunities
- arxiv url: http://arxiv.org/abs/2108.10733v1
- Date: Tue, 24 Aug 2021 13:46:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-25 15:52:41.587666
- Title: Graph Neural Networks: Methods, Applications, and Opportunities
- Title（参考訳）: グラフニューラルネットワーク: 手法,応用,機会
- Authors: Lilapati Waikhom and Ripon Patgiri
- Abstract要約: 本稿では,各学習環境におけるグラフニューラルネットワーク(GNN)の包括的調査について報告する。
各学習課題に対するアプローチは、理論的および経験的視点の両方から分析される。
さまざまなアプリケーションやベンチマークデータセットも提供されており、GNNの一般適用性に疑問が残るオープンな課題もある。
- 参考スコア（独自算出の注目度）: 1.2183405753834562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the last decade or so, we have witnessed deep learning reinvigorating the
machine learning field. It has solved many problems in the domains of computer
vision, speech recognition, natural language processing, and various other
tasks with state-of-the-art performance. The data is generally represented in
the Euclidean space in these domains. Various other domains conform to
non-Euclidean space, for which graph is an ideal representation. Graphs are
suitable for representing the dependencies and interrelationships between
various entities. Traditionally, handcrafted features for graphs are incapable
of providing the necessary inference for various tasks from this complex data
representation. Recently, there is an emergence of employing various advances
in deep learning to graph data-based tasks. This article provides a
comprehensive survey of graph neural networks (GNNs) in each learning setting:
supervised, unsupervised, semi-supervised, and self-supervised learning.
Taxonomy of each graph based learning setting is provided with logical
divisions of methods falling in the given learning setting. The approaches for
each learning task are analyzed from both theoretical as well as empirical
standpoints. Further, we provide general architecture guidelines for building
GNNs. Various applications and benchmark datasets are also provided, along with
open challenges still plaguing the general applicability of GNNs.
- Abstract（参考訳）: 過去10年ほどで、私たちは機械学習分野を再活性化するディープラーニングを見てきた。
コンピュータビジョン、音声認識、自然言語処理などの分野における多くの問題を解決し、最先端のパフォーマンスを実現している。
データは一般にこれらの領域のユークリッド空間で表される。
他の様々な領域は非ユークリッド空間で、グラフは理想的な表現である。
グラフは、様々なエンティティ間の依存関係と相互関係を表現するのに適している。
伝統的に、グラフのハンドクラフト機能は、この複雑なデータ表現から様々なタスクに必要な推論を提供することができない。
近年,データベースタスクのグラフ化に深層学習の様々な進歩が取り入れられている。
本稿では、各学習環境におけるグラフニューラルネットワーク(GNN)の総合的な調査:教師なし、教師なし、半教師なし、自己教師付き学習。
グラフベースの学習環境の分類学は、与えられた学習環境に落下するメソッドの論理的区分を備える。
各学習タスクに対するアプローチは、理論と経験的観点の両方から分析される。
さらに、GNN構築のための一般的なアーキテクチャガイドラインを提供する。
さまざまなアプリケーションやベンチマークデータセットも提供されており、GNNの一般適用性に疑問が残るオープンな課題もある。
関連論文リスト
- Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。
この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
論文 参考訳（メタデータ） (2024-08-26T06:36:42Z) - A Systematic Review of Deep Graph Neural Networks: Challenges,
Classification, Architectures, Applications & Potential Utility in
Bioinformatics [0.0]
グラフニューラルネットワーク(GNN)は、グラフ依存を表現するためにグラフノード間のメッセージ送信を使用する。
GNNは、バイオインフォマティクス研究における幅広い生物学的課題を解決するための優れたツールとなる可能性がある。
論文 参考訳（メタデータ） (2023-11-03T10:25:47Z) - One for All: Towards Training One Graph Model for All Classification Tasks [61.656962278497225]
様々なグラフタスクの統一モデルは、主にグラフ学習領域に固有の課題のために、まだ探索されていない。
上記の課題に対処するために単一のグラフモデルを使用できる最初の汎用フレームワークである textbfOne for All (OFA) を提案する。
OFAは様々なタスクでうまく機能し、グラフ上の最初の汎用のクロスドメイン分類モデルとなる。
論文 参考訳（メタデータ） (2023-09-29T21:15:26Z) - Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。
非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文 参考訳（メタデータ） (2023-05-29T04:51:09Z) - Counterfactual Learning on Graphs: A Survey [34.47646823407408]
グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。
グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。
グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
論文 参考訳（メタデータ） (2023-04-03T21:42:42Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Quantifying Challenges in the Application of Graph Representation
Learning [0.0]
私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。
実世界のグラフ特性に関する表現力を評価する。
GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
論文 参考訳（メタデータ） (2020-06-18T03:19:43Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。
ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。
モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
論文 参考訳（メタデータ） (2020-03-14T05:45:55Z) - Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。
本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。
私たちはNode Maskingというシンプルなコンセプトを導入しました。
論文 参考訳（メタデータ） (2020-01-17T06:26:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。