[論文レビュー] Spatio-Temporal Graph Neural Networks: A Survey

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

Advanced Graph Neural Networks被引用数 16

ひとこと要約

時空間グラフニューラルネットワーク（ST-GNNs）の系統的調査で、アルゴリズム、応用、および時変グラフデータの扱いにおける未解決課題を扱う。

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.

研究の動機と目的

• データが時間とともに進化する際に静的グラフ GNN の限界に対処して ST-GNN が必要である理由を動機づける。
• 既存の ST-GNN アルゴリズムを調査し、アーキテクチャと時間モデリング手法で分類する。
• ST-GNN が時系列タスクで他の深層学習手法を上回る重要な応用を強調する。
• スペーショテンポラルグラフ学習における研究を導くための未解決課題と今後の方向性を特定する。

提案手法

• ST-GNN アルゴリズムを、空間的依存性と時間的ダイナミクスのモデリング方法に基づいてレビューし分類する。
• 空間的グラフ畳込みや時間系列モデリングモジュールなど、典型的なアーキテクチャ要素について議論する。
• ST-GNN 研究における代表的なデータセット、タスク、評価実践を要約する。
• ST-GNN における未解決課題と潜在的な研究方向性を強調する。

実験結果

リサーチクエスチョン

• RQ1 Spatio-Temporal Graph Neural Networks の主なアルゴリズムファミリーは何で、空間と時間をどうモデルするのか？
• RQ2 どのアプリケーションが ST-GNN から最も恩恵を受け、どんな性能向上が報告されているのか？
• RQ3 ST-GNN の研究と実践における現在の未解決課題とギャップは何か？

主な発見

• ST-GNN は従来の GNN を拡張し、空間構造と時間的進化を共同でモデル化する。
• さまざまな ST-GNN アーキテクチャが、空間グラフ畳込みと時間モデリングを統合して、時変タスクで優れた性能を達成している。
• 本総説は分野横断の応用について議論し、領域における未解決課題を概説している。