Dynamic Graph Representation Learning with Neural Networks: A Survey

要約

タイトル：ニューラルネットワークによるダイナミックグラフ表現学習：サーベイ

要約：
– 近年、ダイナミックグラフ表現は、トポロジカル情報と時間情報をコンパクトな表現に統合する能力により、ダイナミックシステムのモデリングにますます使用されてきました。
– ダイナミックグラフは、社会的ネットワーク予測、推薦システム、交通予測、脳波分析など、標準的な数値表現では対処できないアプリケーションを効率的に処理できます。
– ダイナミックグラフ表現の出現に直接関連して、ダイナミックグラフ学習は、連続/時間的データ処理と静的グラフ学習の両方の課題を組み合わせた新しい機械学習問題として登場しました。
– この研究分野では、ダイナミックグラフニューラルネットワーク（DGNN）が最先端のアプローチとなり、非常に最近、豊富なモデルが提案されています。
– 本論文では、ダイナミックグラフ学習に関連する問題とモデルのレビューを提供することを目的としています。さまざまなダイナミックグラフ教師あり学習設定を分析・議論し、既存のモデルが時間情報をモデル化する方法についての類似性と相違点を特定します。最後に、ダイナミックグラフ学習問題に直面したDGNNデザイナーに向けた一般的なガイドラインを提供します。

要約(オリジナル)

In recent years, Dynamic Graph (DG) representations have been increasingly used for modeling dynamic systems due to their ability to integrate both topological and temporal information in a compact representation. Dynamic graphs allow to efficiently handle applications such as social network prediction, recommender systems, traffic forecasting or electroencephalography analysis, that can not be adressed using standard numeric representations. As a direct consequence of the emergence of dynamic graph representations, dynamic graph learning has emerged as a new machine learning problem, combining challenges from both sequential/temporal data processing and static graph learning. In this research area, Dynamic Graph Neural Network (DGNN) has became the state of the art approach and plethora of models have been proposed in the very recent years. This paper aims at providing a review of problems and models related to dynamic graph learning. The various dynamic graph supervised learning settings are analysed and discussed. We identify the similarities and differences between existing models with respect to the way time information is modeled. Finally, general guidelines for a DGNN designer when faced with a dynamic graph learning problem are provided.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI