論文の概要: Graph Learning

• arxiv url: http://arxiv.org/abs/2507.05636v1
• Date: Tue, 08 Jul 2025 03:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.547426
• Title: Graph Learning
• Title（参考訳）: グラフ学習
• Authors: Feng Xia, Ciyuan Peng, Jing Ren, Falih Gozi Febrinanto, Renqiang Luo, Vidya Saikrishna, Shuo Yu, Xiangjie Kong,
• Abstract要約: グラフ学習は急速に進化し、機械学習と人工知能(AI)の重要なサブフィールドとなった この調査は、スケーラブル、テンポラリ、マルチモーダル、生成可能、説明可能、責任あるグラフ学習を含む重要な側面に焦点を当てている。 また、プライバシーや公平性といった倫理的考慮事項についても検討し、グラフ学習モデルの責任ある展開を確実にする。
• 参考スコア（独自算出の注目度）: 16.916717864896007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph learning has rapidly evolved into a critical subfield of machine learning and artificial intelligence (AI). Its development began with early graph-theoretic methods, gaining significant momentum with the advent of graph neural networks (GNNs). Over the past decade, progress in scalable architectures, dynamic graph modeling, multimodal learning, generative AI, explainable AI (XAI), and responsible AI has broadened the applicability of graph learning to various challenging environments. Graph learning is significant due to its ability to model complex, non-Euclidean relationships that traditional machine learning struggles to capture, thus better supporting real-world applications ranging from drug discovery and fraud detection to recommender systems and scientific reasoning. However, challenges like scalability, generalization, heterogeneity, interpretability, and trustworthiness must be addressed to unlock its full potential. This survey provides a comprehensive introduction to graph learning, focusing on key dimensions including scalable, temporal, multimodal, generative, explainable, and responsible graph learning. We review state-of-the-art techniques for efficiently handling large-scale graphs, capturing dynamic temporal dependencies, integrating heterogeneous data modalities, generating novel graph samples, and enhancing interpretability to foster trust and transparency. We also explore ethical considerations, such as privacy and fairness, to ensure responsible deployment of graph learning models. Additionally, we identify and discuss emerging topics, highlighting recent integration of graph learning and other AI paradigms and offering insights into future directions. This survey serves as a valuable resource for researchers and practitioners seeking to navigate the rapidly evolving landscape of graph learning.
• Abstract（参考訳）: グラフ学習は急速に機械学習と人工知能(AI)の重要なサブフィールドへと発展してきた。 その開発はグラフ理論の初期の手法から始まり、グラフニューラルネットワーク(GNN)の出現とともに大きな勢いを増した。 過去10年間で、スケーラブルなアーキテクチャの進歩、動的グラフモデリング、マルチモーダル学習、生成AI、説明可能なAI(XAI)、そして責任あるAIは、グラフ学習をさまざまな困難な環境に適用可能にする。 グラフ学習は、従来の機械学習が捉えようとする複雑な非ユークリッド関係をモデル化し、薬物発見や不正検出から推奨システムや科学的推論まで、現実世界のアプリケーションのサポートを改善する能力によって重要である。 しかし、スケーラビリティ、一般化、異質性、解釈可能性、信頼性といった課題は、その潜在能力を最大限に解き放つために対処する必要がある。 この調査はグラフ学習の総合的な紹介を提供し、スケーラブル、時間的、マルチモーダル、生成的、説明可能、責任あるグラフ学習を含む重要な側面に焦点を当てている。 本稿では,大規模グラフの効率的な処理,動的時間依存性の取得,不均一なデータモダリティの統合,新しいグラフサンプルの生成,信頼性と透明性向上のための解釈可能性の向上について概説する。 また、プライバシーや公平性といった倫理的考慮事項についても検討し、グラフ学習モデルの責任ある展開を確実にする。 さらに、新たなトピックを特定し、議論し、グラフ学習やその他のAIパラダイムの最近の統合を強調し、今後の方向性に関する洞察を提供する。 この調査は、急速に進化するグラフ学習のランドスケープをナビゲートしようとする研究者や実践者にとって、貴重なリソースとなる。

関連論文リスト

• Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective [55.79507207292647]
  知識グラフ推論は、データマイニング、人工知能、Web、社会科学など、さまざまな分野において重要である。 ニューラルAIの台頭は、深層学習の頑健さと象徴的推論の精度を融合させることで、大きな進歩を見せている。 大規模言語モデル(LLM)の出現により、知識グラフ推論の新しいフロンティアが開かれた。
  論文  参考訳（メタデータ） (2024-11-30T18:54:08Z)
• When Graph Data Meets Multimodal: A New Paradigm for Graph Understanding and Reasoning [54.84870836443311]
  本稿では,画像エンコーディングとマルチモーダル技術を統合することで,グラフデータの理解と推論を行う新しいパラダイムを提案する。 このアプローチは, GPT-4Vの高度な機能を利用して, 命令応答形式によるグラフデータの理解を可能にする。 研究は、このパラダイムを様々なグラフタイプで評価し、特に中国のOCRパフォーマンスと複雑な推論タスクにおいて、モデルの強みと弱みを強調した。
  論文  参考訳（メタデータ） (2023-12-16T08:14:11Z)
• Graph Foundation Models: Concepts, Opportunities and Challenges [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 一般化と適応における基礎モデルの能力は、グラフ機械学習研究者を動機付け、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• A Survey of Graph Unlearning [12.86327535559885]
  グラフアンラーニングは、トレーニングされたモデルから機密データトレースを削除し、忘れられる権利を保持する手段を提供する。 本稿では,多種多様な方法論を包含したグラフアンラーニング手法の体系的レビューを行う。 我々は、ソーシャルネットワークやレコメンダシステム、モノのインターネットのようなリソース制約のある環境など、さまざまな分野にわたるグラフアンラーニングの汎用性について検討する。
  論文  参考訳（メタデータ） (2023-08-23T20:50:52Z)
• 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)
• Graph Learning and Its Advancements on Large Language Models: A Holistic Survey [37.01696685233113]
  この調査は、グラフ学習と事前訓練された言語モデルの統合における最新の進歩に焦点を当てる。 グラフ構造の観点から現在の研究を解析し、グラフ学習における最新の応用、トレンド、課題について論じる。
  論文  参考訳（メタデータ） (2022-12-17T22:05:07Z)

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。