Fugu-MT 論文翻訳(概要): Graph Neural Networks for Tabular Data Learning: A Survey with Taxonomy and Directions

論文の概要: Graph Neural Networks for Tabular Data Learning: A Survey with Taxonomy and Directions

arxiv url: http://arxiv.org/abs/2401.02143v1
Date: Thu, 4 Jan 2024 08:49:10 GMT
ステータス: 処理完了
システム内更新日: 2024-01-05 15:32:52.282684
Title: Graph Neural Networks for Tabular Data Learning: A Survey with Taxonomy and Directions
Title（参考訳）: 表データ学習のためのグラフニューラルネットワーク:分類と方向による調査
Authors: Cheng-Te Li, Yu-Che Tsai, Chih-Yao Chen, Jay Chiehen Liao
Abstract要約: グラフニューラルネットワーク(GNN)を用いた語彙データ学習 GNNは、様々なタブラルデータ学習領域にまたがって、大きな関心を集め、応用している。この調査は、研究者や実践者のリソースとして役立ち、TDLの革命におけるGNNの役割を深く理解している。
参考スコア（独自算出の注目度）: 10.753191494611892
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this survey, we dive into Tabular Data Learning (TDL) using Graph Neural Networks (GNNs), a domain where deep learning-based approaches have increasingly shown superior performance in both classification and regression tasks compared to traditional methods. The survey highlights a critical gap in deep neural TDL methods: the underrepresentation of latent correlations among data instances and feature values. GNNs, with their innate capability to model intricate relationships and interactions between diverse elements of tabular data, have garnered significant interest and application across various TDL domains. Our survey provides a systematic review of the methods involved in designing and implementing GNNs for TDL (GNN4TDL). It encompasses a detailed investigation into the foundational aspects and an overview of GNN-based TDL methods, offering insights into their evolving landscape. We present a comprehensive taxonomy focused on constructing graph structures and representation learning within GNN-based TDL methods. In addition, the survey examines various training plans, emphasizing the integration of auxiliary tasks to enhance the effectiveness of instance representations. A critical part of our discussion is dedicated to the practical application of GNNs across a spectrum of GNN4TDL scenarios, demonstrating their versatility and impact. Lastly, we discuss the limitations and propose future research directions, aiming to spur advancements in GNN4TDL. This survey serves as a resource for researchers and practitioners, offering a thorough understanding of GNNs' role in revolutionizing TDL and pointing towards future innovations in this promising area.
Abstract（参考訳）: 本調査では,グラフニューラルネットワーク(GNN)を用いたタブラルデータ学習(TDL)について検討した。調査は、ディープニューラルtdlメソッドにおける重要なギャップを浮き彫りにしている。データインスタンスと特徴値の間の潜在相関の過小表現である。 gnnは、表データの様々な要素間の複雑な関係や相互作用をモデル化する能力を持ち、様々なtdlドメインにまたがって大きな関心を集め、応用してきた。本調査は,TDL(GNN4TDL)の設計と実装に関わる手法を体系的に検討する。基礎的な側面に関する詳細な調査と、GNNベースのTDL手法の概要を包含し、その進化する風景についての洞察を提供する。本稿では,グラフ構造の構築と表現学習に着目した総合分類法を提案する。さらに,様々な学習計画について検討し,インスタンス表現の有効性を高めるために補助タスクの統合を強調する。我々の議論の重要な部分は、GNN4TDLシナリオをまたいだGNNの実践的な適用に特化しており、その汎用性と影響を実証しています。最後に,gnn4tdlの進歩を促進するために,限界を議論し,今後の研究方向性を提案する。この調査は、研究者や実践者のリソースとして役立ち、TDLの革新におけるGNNの役割を深く理解し、将来的な領域におけるイノベーションを指している。

関連論文リスト

Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
論文参考訳（メタデータ） (2024-09-16T03:05:11Z)
Supervised Gradual Machine Learning for Aspect Category Detection [0.9857683394266679]
アスペクトカテゴリー検出(ACD)は、あるレビュー文の中で暗黙的かつ明示的な側面を識別することを目的としている。本稿では,Deep Neural Networks (DNN) と Gradual Machine Learning (GML) を教師付き環境で組み合わせることで,ACDタスクに取り組む新しい手法を提案する。
論文参考訳（メタデータ） (2024-04-08T07:21:46Z)
Exploring Causal Learning through Graph Neural Networks: An In-depth Review [12.936700685252145]
因果関係の研究に用いられている様々な最先端のGNN手法を包含する新しい分類法を提案する。 GNNは、その因果領域における応用に基づいてさらに分類される。このレビューは、多様な分野にわたる因果学習の適用にも触れている。
論文参考訳（メタデータ） (2023-11-25T10:46:06Z)
Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文参考訳（メタデータ） (2023-09-26T13:09:43Z)
Graph Neural Networks Provably Benefit from Structural Information: A Feature Learning Perspective [53.999128831324576]
グラフニューラルネットワーク(GNN)は、グラフ表現学習の先駆けとなった。本研究では,特徴学習理論の文脈におけるグラフ畳み込みの役割について検討する。
論文参考訳（メタデータ） (2023-06-24T10:21:11Z)
A Survey on Explainability of Graph Neural Networks [4.612101932762187]
グラフニューラルネットワーク(GNN)は、グラフベースの強力なディープラーニングモデルである。本調査は,GNNの既存の説明可能性技術の概要を概観することを目的としている。
論文参考訳（メタデータ） (2023-06-02T23:36:49Z)
Experimental Observations of the Topology of Convolutional Neural Network Activations [2.4235626091331737]
トポロジカル・データ解析は、複雑な構造のコンパクトでノイズ・ロバストな表現を提供する。ディープニューラルネットワーク(DNN)は、モデルアーキテクチャによって定義された一連の変換に関連する数百万のパラメータを学習する。本稿では,画像分類に使用される畳み込みニューラルネットワークの解釈可能性に関する知見を得る目的で,TDAの最先端技術を適用した。
論文参考訳（メタデータ） (2022-12-01T02:05:44Z)
Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文参考訳（メタデータ） (2021-10-09T09:02:45Z)
Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文参考訳（メタデータ） (2020-12-10T22:30:25Z)
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)
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。