A Comprehensive Survey on Deep Graph Representation Learning

要約

タイトル：深層グラフ表現学習に関する包括的な調査

要約：

– グラフ表現学習は、機械学習やデータマイニングなどのさまざまな分野で広く研究されている、高次元で疎なグラフ構造のデータを低次元の密なベクトルに効果的にエンコードすることを目的としたタスクである。
– 従来のグラフ埋め込み法は、グラフ内の相互接続されたノードの埋め込みベクトルが比較的近い距離を維持することによって、ノード間の構造情報を保持することを基本的なアイデアとしているが、これは以下の理由で非最適である。 (i) 伝統的な方法はモデルの能力が限られており、学習性能が制限される。(ii) 既存の技術は通常、教師なし学習手法に頼っており、最新の学習パラダイムとカップリングできない。(iii) 表現学習とダウンストリームのタスクは互いに依存しているため、共同で強化すべきである。
– 深層学習の驚異的な成功により、深層グラフ表現学習には浅い（伝統的な）方法に対する潜在的な利点があることが示され、過去10年間に多数の深層グラフ表現学習技術が提案されている。特に、グラフニューラルネットワークが注目されている。
– 本調査では、既存の最新の文献に新しいタクソノミーを提案することにより、現在の深層グラフ表現学習アルゴリズムについて包括的な調査を行っている。具体的には、グラフ表現学習の重要なコンポーネントを系統的にまとめ、グラフニューラルネットワークアーキテクチャの方法と最新の高度な学習パラダイムによって既存のアプローチを分類している。さらに、本調査では、深層グラフ表現学習の実用的で有望な応用についても提供している。最後に、新しい観点を述べて、将来的にさらに探求を求める挑戦的な方向を提案している。

要約(オリジナル)

Graph representation learning aims to effectively encode high-dimensional sparse graph-structured data into low-dimensional dense vectors, which is a fundamental task that has been widely studied in a range of fields, including machine learning and data mining. Classic graph embedding methods follow the basic idea that the embedding vectors of interconnected nodes in the graph can still maintain a relatively close distance, thereby preserving the structural information between the nodes in the graph. However, this is sub-optimal due to: (i) traditional methods have limited model capacity which limits the learning performance; (ii) existing techniques typically rely on unsupervised learning strategies and fail to couple with the latest learning paradigms; (iii) representation learning and downstream tasks are dependent on each other which should be jointly enhanced. With the remarkable success of deep learning, deep graph representation learning has shown great potential and advantages over shallow (traditional) methods, there exist a large number of deep graph representation learning techniques have been proposed in the past decade, especially graph neural networks. In this survey, we conduct a comprehensive survey on current deep graph representation learning algorithms by proposing a new taxonomy of existing state-of-the-art literature. Specifically, we systematically summarize the essential components of graph representation learning and categorize existing approaches by the ways of graph neural network architectures and the most recent advanced learning paradigms. Moreover, this survey also provides the practical and promising applications of deep graph representation learning. Last but not least, we state new perspectives and suggest challenging directions which deserve further investigations in the future.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI