[論文レビュー] A Survey of Graph Neural Networks in Real world: Imbalance, Noise, Privacy and OOD Challenges

Wei Ju, Siyu Yi+11 more|arXiv (Cornell University)|Mar 7, 2024

Advanced Graph Neural Networks被引用数 23

ひとこと要約

この論文はグラフニューラルネットワーク（GNN）の現実世界の課題を調査し、不均衡、ノイズ、プライバシー、OOD（分布外）の問題に焦点を当て、既存の手法を4カテゴリの分類法で整理し、今後の方向性を提示する。

ABSTRACT

Graph-structured data exhibits universality and widespread applicability across diverse domains, such as social network analysis, biochemistry, financial fraud detection, and network security. Significant strides have been made in leveraging Graph Neural Networks (GNNs) to achieve remarkable success in these areas. However, in real-world scenarios, the training environment for models is often far from ideal, leading to substantial performance degradation of GNN models due to various unfavorable factors, including imbalance in data distribution, the presence of noise in erroneous data, privacy protection of sensitive information, and generalization capability for out-of-distribution (OOD) scenarios. To tackle these issues, substantial efforts have been devoted to improving the performance of GNN models in practical real-world scenarios, as well as enhancing their reliability and robustness. In this paper, we present a comprehensive survey that systematically reviews existing GNN models, focusing on solutions to the four mentioned real-world challenges including imbalance, noise, privacy, and OOD in practical scenarios that many existing reviews have not considered. Specifically, we first highlight the four key challenges faced by existing GNNs, paving the way for our exploration of real-world GNN models. Subsequently, we provide detailed discussions on these four aspects, dissecting how these solutions contribute to enhancing the reliability and robustness of GNN models. Last but not least, we outline promising directions and offer future perspectives in the field.

研究の動機と目的

• データが不完全で分布が歪んでいる現実世界の条件下でGNNの研究を動機づける。
• 不均衡、ノイズ、プライバシー、OODの4つの主要な課題に対処する手法の体系的な分類法を提供する。
• 各課題に対する代表的なアルゴリズムと構成要素を要約し、実証的知見を論じる。
• 制限を概説し、現実世界の堅牢なGNNモデルの有望な方向性を提案する。

提案手法

• 現実世界のGNNモデルを不均衡、ノイズ、プライバシー、分布外のカテゴリに分類する新しい分類法を提案する。
• 不均衡に対処する再バランス、データ拡張ベース、モジュール改善戦略をレビューする。
• ノイズカテゴリの下でラベルノイズと構造ノイズを扱い、それに対応する緩和技術を調査する。
• プライバシー攻撃と保護手法を概説し、プライバシー保護と攻撃を区別する。
• 分布シフトに対応するOOD検知と一般化アプローチについて述べる。

実験結果

リサーチクエスチョン

• RQ1 GNNが直面する主な現実世界の課題（不均衡、ノイズ、プライバシー、OOD）は何か。
• RQ2 研究者は現実世界のGNNモデルにおいてこれら4つの課題をどのように分類し対処してきたか。
• RQ3 各課題の代表的なアルゴリズムと構成要素は何で、それらの限界と見通しは？
• RQ4 より信頼性が高く堅牢な現実世界のGNNの発展を導く将来の方向性は何か。

主な発見

• GNNの現実世界の課題として不均衡、ノイズ、プライバシー、OODの4つを特定。
• 分類法を提示し、各カテゴリの代表的手法を要約、不均衡には再バランス、データ拡張、モジュール改善戦略を含む。
• 2つのノイズタイプ（ラベルノイズ、構造ノイズ）と対応する緩和アプローチを概説。
• プライバシー攻撃とプライバシー保護技術、OOD検知とOOD一般化のカテゴリを含む。
• 現行調査の限界を指摘し、現実世界のGNN研究における2022年以降の最新動向を強調。