論文の概要: Graph Neural Networks Applications Across Domains: All Insights You Need

• arxiv url: http://arxiv.org/abs/2606.27202v1
• Date: Thu, 25 Jun 2026 16:00:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.33902
• Title: Graph Neural Networks Applications Across Domains: All Insights You Need
• Title（参考訳）: グラフニューラルネットワークのドメイン間アプリケーション:必要なすべての洞察
• Abstract要約: グラフニューラルネットワークは、ニッチな表現学習技術から、データがリレーショナル構造を持つ場合のデフォルトモデルクラスに移行した。 この調査は、単一設計空間の周囲の分野を整理し、共有された第一原理からスペクトルと空間の定式化を導出する。 提案するアプリケーションドメインは、リコメンデーションとソーシャルネットワーク、ナレッジグラフと言語モデルの統合、薬物発見と分子特性学習、医療と神経科学、コンピュータビジョン、交通と都市コンピューティング、電力と再生可能エネルギーシステム、無線と第6世代ネットワーク、詐欺とサイバーセキュリティ、産業の予後学、材料科学、気候モデリングなど12種類である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks have moved from a niche representation-learning technique to the default model class wherever data carry relational structure. The interesting question is no longer whether message passing helps on a given dataset, but where graph structure earns its computational cost and where it does not. This survey organises the field around a single design space, derives the spectral and spatial formulations from shared first principles, and connects expressive power to the Weisfeiler-Leman hierarchy with explicit statements of what current architectures can and cannot separate. Against that methodological backbone we examine twelve application domains, among them recommendation and social networks, knowledge graphs and language-model integration, drug discovery and molecular property learning, healthcare and neuroscience, computer vision, traffic and urban computing, power and renewable-energy systems, wireless and sixth-generation networks, fraud and cybersecurity, industrial prognostics, materials science, and climate modelling. For each domain we specify the graph-construction choices and their costs, identify which architecture families dominate and why, and separate reported gains from artefacts of weak baselines or favourable splits. A cross-domain comparison exposes recurring patterns: heterophily and scale undercut the same models almost everywhere, temporal graphs remain harder than their static counterparts, and the architectures that top public leaderboards are seldom the ones that reach deployment. We treat over-smoothing, over-squashing, robustness, distribution shift, fairness, and explainability not as a closing checklist but as the constraints that decide adoption.
• Abstract（参考訳）: グラフニューラルネットワークは、ニッチな表現学習技術から、データがリレーショナル構造を持つ場合のデフォルトモデルクラスに移行した。 興味深い疑問は、メッセージパッシングが与えられたデータセットに役立っているかどうかではなく、グラフ構造が計算コストを上回っているか、それができないかである。 この調査は、単一設計空間の周囲の分野を整理し、共有された第一原理からスペクトルと空間の定式化を導出し、表現力とWeisfeiler-Leman階層を、現在のアーキテクチャが分離でき、また分離できないものを明確に表現する。 その方法論的バックボーンに対して、リコメンデーションとソーシャルネットワーク、知識グラフと言語モデルの統合、薬物発見と分子特性学習、医療と神経科学、コンピュータビジョン、交通と都市コンピューティング、電力と再生可能エネルギーシステム、無線と第6世代ネットワーク、詐欺とサイバーセキュリティ、産業の予後学、材料科学、気候モデリングを含む12のアプリケーションドメインについて検討する。 各ドメインに対して、グラフ構築の選択とそのコストを定義し、どのアーキテクチャファミリが支配するか、なぜ支配するかを特定し、弱いベースラインや好ましい分割のアーチファクトから報告された利益を分離します。 ヘテロフィリとスケールは、ほぼどこでも同じモデルをアンダーカットし、テンポラリグラフは、静的なグラフよりも難しいままであり、トップの公開リーダボードが配置に達するアーキテクチャは、めったにない。 オーバースムーシング、オーバースキャッシング、ロバストネス、分散シフト、フェアネス、説明責任はクローズチェックリストではなく、採用を決定する制約として扱う。

関連論文リスト

• Unifying Graph Neural Networks Through a Common Layer Equation [75.88127999406392]
  7つのコンポーネントを通して被覆されたアーキテクチャを表現する共通層方程式を導入する。 中央の因子化は、伝達銀行によってエンコードされた情報と、メッセージマップによってエンコードされた動きとを分離する。 この統合を明確化し、標準層とコンポーネント割り当ての作業的削減を通じて、チェック可能にする。
  論文  参考訳（メタデータ） (2026-08-17T04:37:59Z)
• Toward a universal foundation model for graph-structured data [10.419880239076734]
  グラフは生物医学研究の中心的な表現であり、分子相互作用ネットワーク、遺伝子制御回路、細胞間通信マップ、知識グラフを捉えている。 既存のグラフニューラルネットワークは通常、単一のデータセットでトレーニングされ、そのグラフのノードの特徴、トポロジ、ラベル空間に特有の表現を学ぶ。 ここでは、特定のノードの同一性や特徴スキームに特有でない転送可能な構造表現を学習するために設計されたグラフ基礎モデルを紹介する。
  論文  参考訳（メタデータ） (2026-04-07T19:21:21Z)
• Graph Foundation Models: A Comprehensive Survey [66.74249119139661]
  Graph Foundation Models (GFMs)は、構造化データにスケーラブルで汎用的なインテリジェンスを提供することを目指している。 この調査は、GFMの概要を包括的に提供し、モジュラーフレームワークの下での多様な取り組みを統合する。 GFMは構造化データに対するオープンエンド推論の基盤となる。
  論文  参考訳（メタデータ） (2025-05-21T05:08:00Z)
• In-situ graph reasoning and knowledge expansion using Graph-PReFLexOR [0.0]
  グラフ推論とシンボリック抽象化を組み合わせてドメイン知識を動的に拡張するフレームワークであるGraph-PReFLexORを提案する。 強化学習に触発されて、推論は構造化されたマッピングとして定義され、タスクが知識グラフ、抽象パターン、そして最終的には最終回答を生み出す。 その結果、より優れた推論深度と適応性を示し、透明で多分野のAI駆動型発見の可能性を示している。
  論文  参考訳（メタデータ） (2025-01-14T13:52:41Z)
• 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)
• Federated Graph Semantic and Structural Learning [54.97668931176513]
  本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
  論文  参考訳（メタデータ） (2024-06-27T07:08:28Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Everything is Connected: Graph Neural Networks [0.0]
  この短い調査は、グラフ表現学習の領域において、読者が重要な概念を同化できるようにすることを目的としている。 この短い調査の主な目的は、読者がその領域における重要な概念を同化させ、関連する分野との適切なコンテキストにおける位置グラフ表現学習を可能にすることである。
  論文  参考訳（メタデータ） (2023-01-19T18:09:43Z)
• House-GAN: Relational Generative Adversarial Networks for Graph-constrained House Layout Generation [59.86153321871127]
  主な考え方は、制約をリレーショナルネットワークのグラフ構造にエンコードすることである。 我々は、新しい住宅レイアウト生成問題に対する提案されたアーキテクチャを実証した。
  論文  参考訳（メタデータ） (2020-03-16T03:16:12Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。