[논문 리뷰] Spatio-Temporal Graph Neural Networks: A Survey

Zahraa Al Sahili, Mariette Awad|arXiv (Cornell University)|2023. 01. 25.

Advanced Graph Neural Networks인용 수 16

한 줄 요약

시공간 그래프 신경망(ST-GNNs)에 관한 고찰로, 알고리즘, 응용 및 시간에 따라 변하는 그래프 데이터를 다루는 데 있어 남은 도전 과제를 다룬다.

ABSTRACT

Graph Neural Networks have gained huge interest in the past few years. These powerful algorithms expanded deep learning models to non-Euclidean space and were able to achieve state of art performance in various applications including recommender systems and social networks. However, this performance is based on static graph structures assumption which limits the Graph Neural Networks performance when the data varies with time. Spatiotemporal Graph Neural Networks are extension of Graph Neural Networks that takes the time factor into account. Recently, various Spatiotemporal Graph Neural Network algorithms were proposed and achieved superior performance compared to other deep learning algorithms in several time dependent applications. This survey discusses interesting topics related to Spatiotemporal Graph Neural Networks, including algorithms, applications, and open challenges.

연구 동기 및 목표

• 데이터가 시간이 지남에 따라 변화할 때 정적 그래프 GNN의 한계점을 다루어 ST-GNN의 필요성을 제기한다.
• 기존 ST-GNN 알고리즘을 조사하고 아키텍처 및 시간 모델링 접근 방식에 따라 분류한다.
• ST-GNN이 시간 의존적 작업에서 다른 딥 러닝 방법보다 우수한 성능을 보이는 주요 응용 분야를 강조한다.
• 공간-시간 그래프 학습 연구를 이끄는 열린 과제와 향후 방향을 식별한다.

제안 방법

• ST-GNN 알고리즘을 공간 의존성 및 시간 역학을 모델링하는 방식에 따라 검토하고 분류한다.
• 공간 그래프 컨볼루션 및 시간 시퀀스 모델링 모듈과 같은 일반적인 아키텍처 구성요소를 논의한다.
• ST-GNN 연구의 대표적인 데이터셋, 작업 및 평가 관행을 요약한다.
• ST-GNN에서의 열린 과제와 잠재적 연구 방향을 강조한다.

실험 결과

연구 질문

• RQ1 시공간 그래프 신경망의 주요 알고리즘 계통은 무엇이며 공간과 시간을 어떻게 모델링합니까?
• RQ2 ST-GNN으로 가장 큰 혜택을 얻는 응용 분야는 무엇이며 보고된 성능 향상은 무엇입니까?
• RQ3 ST-GNN 연구 및 실천에서 현재 남아 있는 도전과제와 격차는 무엇입니까?

주요 결과

• ST-GNN은 전통적 GNN을 확장하여 공간 구조와 시간적 진화를 함께 모델링합니다.
• 다양한 ST-GNN 아키텍처는 그래프 컨볼루션을 시간 모델링과 결합하여 시간 의존적 작업에서 우수한 성능을 달성합니다.
• 본 고찰은 도메인 전반에 걸친 응용을 다루고 이 분야의 열린 도전과제를 개략합니다.