[論文レビュー] Graph Neural Networks: Methods, Applications, and Opportunities

Lilapati Waikhom, Ripon Patgiri|arXiv (Cornell University)|Aug 24, 2021

Advanced Graph Neural Networks参考文献 192被引用数 31

ひとこと要約

A comprehensive survey of graph neural networks (GNNs) across learning settings, providing taxonomy, architectures, datasets, applications, challenges, and future directions.

ABSTRACT

In the last decade or so, we have witnessed deep learning reinvigorating the machine learning field. It has solved many problems in the domains of computer vision, speech recognition, natural language processing, and various other tasks with state-of-the-art performance. The data is generally represented in the Euclidean space in these domains. Various other domains conform to non-Euclidean space, for which graph is an ideal representation. Graphs are suitable for representing the dependencies and interrelationships between various entities. Traditionally, handcrafted features for graphs are incapable of providing the necessary inference for various tasks from this complex data representation. Recently, there is an emergence of employing various advances in deep learning to graph data-based tasks. This article provides a comprehensive survey of graph neural networks (GNNs) in each learning setting: supervised, unsupervised, semi-supervised, and self-supervised learning. Taxonomy of each graph based learning setting is provided with logical divisions of methods falling in the given learning setting. The approaches for each learning task are analyzed from both theoretical as well as empirical standpoints. Further, we provide general architecture guidelines for building GNNs. Various applications and benchmark datasets are also provided, along with open challenges still plaguing the general applicability of GNNs.

研究の動機と目的

• グラフおよびグラフベースのタスクの基本用語とバリアントを定義する。
• 各学習設定（supervised、unsupervised、semi-supervised、self-supervised）に対する GNN の分類法を提示する。
• 理論的および経験的視点から、学習設定全体にわたる GNN 手法を分析する。
• GNN アーキテクチャ設計の一般的な指針を提供する。
• 今後の研究を導くために、データセット、アプリケーション、オープンチャレンジを調査する。

提案手法

• GNN において用いられるグラフ表現とメッセージパッシングフレームワークを説明する。
• 学習設定（supervised、unsupervised、semi-supervised、self-supervised）を横断する GNN バリアントの分類法を構築する。
• ノード、エッジ、グラフ、サブグラフレベルのタスクを分類し、それぞれに対応する手法を論じる。
• GNN 研究におけるデータセット、応用、ベンチマークの実践を要約する。
• 拡張性と堅牢性を備えた GNN のためのアーキテクチャ指針と設計上の考慮事項を概説する。
• オープンな課題と今後の研究方向性について深く議論する。

実験結果

リサーチクエスチョン

• RQ1 異なる学習設定（supervised、unsupervised、semi-supervised、self-supervised）における主要な GNN 手法は何か？
• RQ2 グラフのバリアントとタスク階層は、ドメイン横断での GNN の設計と性能にどのような影響を与えるか？
• RQ3 GNN の成功と限界を説明する理論的・経験的洞察は何か、今後の研究方向は何か？
• RQ4 どのデータセットとベンチマークが、タスク横断での GNN の能力と課題を最もよく反映するか？
• RQ5 効果的でスケーラブルな GNN アーキテクチャを構築するための指針はどのようなものが確立できるか？

主な発見

• 各学習設定に合わせた新しい GNN の分類法を提供します。
• タスクとドメインを横断した GNN アプローチの理論的・経験的分析を提供します。
• GNN を構築するための一般的なアーキテクチャ指針を提供します。
• グラフベース学習における広く利用されているデータセットと応用を記録します。
• オープンな課題を特定し、深さ、スケーラビリティ、高次構造、堅牢性などの今後の研究方向を詳述します。