論文の概要: Knowledge Graphs Meet Graph Neural Networks: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2607.09666v1
• Date: Tue, 12 May 2026 01:56:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.990396
• Title: Knowledge Graphs Meet Graph Neural Networks: A Comprehensive Survey
• Title（参考訳）: 知識グラフとグラフニューラルネットワーク: 総合的な調査
• Abstract要約: グラフニューラルネットワーク(GNN)は知識グラフ(KG)において強力なパラダイムとして登場した。 知識グラフ技術パイプライン全体にわたって、GNNベースの方法論に関する体系的なレビューがまだ残っていない。 我々はまず,GNNに基づく知識グラフ技術のための新しい二段階分類フレームワークKG技術パイプラインとGNNに基づく視点を提案する。
• 参考スコア（独自算出の注目度）: 37.02185383226982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have emerged as a powerful paradigm in Knowledge Graphs (KGs) due to their intrinsic ability to model graph-structured data. However, there remains a lack of a systematic review about GNN-based methodologies across the entire knowledge graph technologies pipeline. To address this gap, we first propose a novel two-level taxonomy framework for GNN-based knowledge graph technologies: the KG technologies pipeline and GNN-based perspective. Specifically, the knowledge graph technologies pipeline covers knowledge graph construction, knowledge graph embedding, knowledge reasoning and knowledge graph applications. Meanwhile, the GNN-based perspective provides a new categorization of knowledge graph technologies with GNN models, such as GCN, GAT, and HGNN. Then, we analyze the advantages of GNN technology based on the characteristics of different tasks in the knowledge graph lifecycle. Furthermore, we detailed review various GNN-based models for knowledge graph following the proposed taxonomy, and summarize strengths and limitations. Finally, we discuss unresolved challenges and outline promising directions for future research.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データをモデル化する本質的な能力のため、知識グラフ(KG)において強力なパラダイムとして登場した。 しかし、知識グラフ技術パイプライン全体にわたるGNNベースの方法論に関する体系的なレビューは、まだ残っていない。 このギャップに対処するために、我々はまず、GNNベースの知識グラフ技術(KG技術パイプラインとGNNベースの視点)のための新しい二段階分類フレームワークを提案する。 具体的には、知識グラフ技術パイプラインは、知識グラフの構築、知識グラフの埋め込み、知識推論、知識グラフアプリケーションを含む。 一方、GNNに基づく視点は、GCN、GAT、HGNNといったGNNモデルによる知識グラフ技術の新たな分類を提供する。 そして,知識グラフのライフサイクルにおける異なるタスクの特性に基づいて,GNN技術の利点を分析する。 さらに,提案した分類法に従って,GNNに基づく知識グラフのモデルについて詳細に検討し,強みと限界を要約する。 最後に、未解決課題について論じ、今後の研究に向けての有望な方向性を概説する。

関連論文リスト

• A Survey on GNN-based Link Prediction: Techniques, Applications, and Challenges [36.51411347767061]
  リンク予測の主要なパラダイムとしてグラフニューラルネットワーク(GNN)が登場している。 本稿では,新規かつ専用GNNの観点から,GNNに基づくリンク予測の包括的レビューを行う。
  論文  参考訳（メタデータ） (2026-04-29T01:34:00Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• The Evolution of Distributed Systems for Graph Neural Networks and their Origin in Graph Processing and Deep Learning: A Survey [17.746899445454048]
  グラフニューラルネットワーク(GNN)は、新たな研究分野である。 GNNはレコメンデーションシステム、コンピュータビジョン、自然言語処理、生物学、化学など様々な分野に適用できる。 我々は,大規模GNNソリューションの重要な手法と手法を要約し,分類することで,このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2023-05-23T09:22:33Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Knowledge Enhanced Graph Neural Networks for Graph Completion [0.0]
  Knowledge Enhanced Graph Neural Networks (KeGNN)は、グラフ補完のためのニューラルシンボリックなフレームワークである。 KeGNNは、知識強化レイヤを積み重ねた基盤としてグラフニューラルネットワークで構成されている。 我々はKeGNNを、最先端のグラフニューラルネットワーク、グラフ畳み込みネットワーク、グラフ注意ネットワークの2つと組み合わせてインスタンス化する。
  論文  参考訳（メタデータ） (2023-03-27T07:53:43Z)
• Geometric Knowledge Distillation: Topology Compression for Graph Neural Networks [80.8446673089281]
  グラフトポロジ情報をグラフニューラルネットワーク(GNN)に符号化することを目的とした知識伝達の新しいパラダイムについて検討する。 本稿では,GNNのアーキテクチャに関する基礎となる多様体の幾何学的性質をカプセル化するためのニューラルヒートカーネル(NHK)を提案する。 基本的な原理的解法は、NHKを幾何学的知識蒸留(Geometric Knowledge Distillation)と呼ばれる教師モデルと学生モデルに合わせることで導かれる。
  論文  参考訳（メタデータ） (2022-10-24T08:01:58Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
  グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。 我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
  論文  参考訳（メタデータ） (2020-06-03T23:52:43Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。