論文の概要: A Survey on GNN-based Link Prediction: Techniques, Applications, and Challenges
- arxiv url: http://arxiv.org/abs/2607.16198v1
- Date: Wed, 29 Apr 2026 01:34:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.027848
- Title: A Survey on GNN-based Link Prediction: Techniques, Applications, and Challenges
- Title（参考訳）: GNNに基づくリンク予測に関する調査:技術,応用,課題
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 36.51411347767061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) have emerged as the leading paradigm for link prediction, enabling the inference of missing connections and the anticipation of potential future links. However, existing reviews lack systematic exploration specifically targeting underlying GNN architectures and diverse graph structures. To address this critical gap, this paper provides a comprehensive review of GNN-based link prediction from a novel and dedicated GNN perspective. We propose an innovative taxonomy that categorizes recent advancements based on techniques and applications. From a technique perspective, we focus on key GNN encoder architectures, including GCN-based, GAE-based, GAT-based, and GFormer-based methods, discussing their strengths and limitations. From an application perspective, we highlight prominent use cases of link prediction in knowledge graphs and recommendation systems, demonstrating their real-world impact. In addition, we examine the current challenges and discuss promising future directions.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)はリンク予測の主要なパラダイムとして登場し、欠落したコネクションの推測と将来的なリンクの予測を可能にしている。
しかし、既存のレビューでは、基礎となるGNNアーキテクチャと多様なグラフ構造を対象とする体系的な調査が欠如している。
この重要なギャップに対処するために,本稿では,GNNをベースとしたリンク予測を,新規かつ専用のGNNの観点から包括的にレビューする。
本稿では,最近の進歩を技術と応用に基づいて分類する,革新的な分類法を提案する。
技術面では,GCNベース,GAEベース,GATベース,GFormerベースなど,主要なGNNエンコーダアーキテクチャに注目し,その長所と短所について議論する。
アプリケーションの観点からは、知識グラフとレコメンデーションシステムにおけるリンク予測の顕著なユースケースを強調し、実際の影響を実証する。
また,今後の課題について検討し,今後の展望について検討する。
関連論文リスト
- Knowledge Graphs Meet Graph Neural Networks: A Comprehensive Survey [37.02185383226982]
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。
論文 参考訳（メタデータ） (2026-05-12T01:56:00Z) - Attention-based graph neural networks: a survey [13.676883481845314]
注目に基づくGNNのための新しい二段階分類法を提案する。
我々はこれらの注意に基づく手法について,提案した分類法に従って詳細に検討する。
我々は、いくつかのオープンな問題と、注意に基づくGNNの今後の方向性について、私たちの考えを共有します。
論文 参考訳（メタデータ） (2026-05-09T04:33:14Z) - On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective [49.391877616394765]
レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。
このグラフに基づくビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けている。
実証的な成功にもかかわらず、GNNが他のアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。
論文 参考訳（メタデータ） (2025-12-08T10:19:43Z) - Exploiting Meta-Learning-based Poisoning Attacks for Graph Link Prediction [16.068226406204253]
グラフデータのリンク予測は、グラフノード間の潜在的な関係を予測するために、様々なアルゴリズムとグラフニューラルネットワーク(GNN)モデルを使用する。
近年の研究では、毒や脱走攻撃などの敵攻撃に対するGNNモデルの脆弱性が強調されている。
本稿では,GNNのリンク予測性能を低下させるために,メタラーニングと重み付きスキームを用いたグラフ中毒攻撃を導入する。
論文 参考訳（メタデータ） (2025-04-08T23:36:29Z) - Rethinking Link Prediction for Directed Graphs [73.36395969796804]
有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。
埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。
本稿では,既存手法の表現性を評価する統一的なフレームワークを提案し,二重埋め込みとデコーダ設計がリンクの有向予測性能に与える影響を強調した。
論文 参考訳（メタデータ） (2025-02-08T23:51:05Z) - PROXI: Challenging the GNNs for Link Prediction [3.8233569758620063]
本稿では,グラフと属性空間の両方におけるノードペアの近接情報を活用するPROXIを紹介する。
標準機械学習(ML)モデルは競争力があり、最先端のGNNモデルよりも優れています。
ProXIによる従来のGNNの拡張はリンク予測性能を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2024-10-02T17:57:38Z) - Uncertainty in Graph Neural Networks: A Survey [47.785948021510535]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。
しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。
本調査は,不確実性の観点からGNN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） (2024-03-11T21:54:52Z) - 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) - 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) - 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) - Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。
パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。
こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
論文 参考訳（メタデータ） (2022-05-16T02:21:09Z)
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。