[논문 리뷰] A Survey of Graph Neural Networks in Real world: Imbalance, Noise, Privacy and OOD Challenges

Wei Ju, Siyu Yi외 11명|arXiv (Cornell University)|2024. 03. 07.

Advanced Graph Neural Networks인용 수 23

한 줄 요약

이 논문은 그래프 신경망(GNN)의 실제 세계 도전 과제를 조사하며, 불균형, 노이즈, 프라이버시, 그리고 분포 이외(OOD) 문제에 초점을 두고, 기존 방법들을 미래 방향이 있는 네 가지 범주 분류 체계로 정리한다.

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.

연구 동기 및 목표

• 데이터가 불완전하고 분포가 왜곡된 실제 조건에서 GNN 연구를 동기 부여한다.
• 불균형, 노이즈, 프라이버시, OOD의 네 가지 주요 도전에 대한 체계적 분류 체계를 제공한다.
• 각 도전에 대한 대표 알고리즘과 구성요소를 요약하고 실험적 통찰을 논의한다.
• 강건한 실제 GNN 모델을 위한 한계점과 유망한 방향을 제시한다.

제안 방법

• 실세계 GNN 모델을 불균형, 노이즈, 프라이버시, OOD 카테고리로 분류하는 새로운 분류 체계를 제안한다.
• 불균형을 해결하기 위한 재균형화, 증강 기반, 모듈 개선 전략을 리뷰한다.
• 노이즈 범주 아래 레이블 노이즈와 구조 노이즈를 다루고 대응 mitigation 기술을 조사한다.
• 프라이버시 공격과 프라이버시 보존 방법을 다루고 프라이버시 보존과 공격 간의 구분을 논의한다.
• OOD 감지 및 일반화 접근법을 통해 분포 이동을 처리하는 방법을 설명한다.

실험 결과

연구 질문

• RQ1 GNN이 직면한 주요 실제 세계 도전(불균형, 노이즈, 프라이버시, OOD)은 무엇인가?
• RQ2 연구자들이 실제 세계 GNN 모델에서 이 네 가지 도전을 어떻게 분류하고 해결해 왔는가?
• RQ3 각 도전에 대한 대표 알고리즘과 구성요소는 무엇이며, 한계와 전망은 무엇인가?
• RQ4 보다 신뢰할 수 있고 강건한 실제 세계 GNN을 개발하는 데 어떤 미래 방향이 필요할까?

주요 결과

• GNN의 네 가지 실제 세계 도전: 불균형, 노이즈, 프라이버시, 및 OOD를 식별한다.
• 분류 체계를 제시하고 각 범주에 대한 대표적 방법을 요약한다. 불균형에 대해 재균형화, 증강, 모듈 개선 전략 포함.
• 두 가지 노이즈 유형(레이블 노이즈, 구조 노이즈)과 대응 완화 접근법을 개요한다.
• 프라이버시 공격 및 프라이버시 보존 기법, OOD 탐지 및 OOD 일반화 범주를 다룬다.
• 현재 고찰의 한계를 강조하고 2022년 이후의 최신 개발 동향을 실세계 GNN 연구에서 강조한다.