Graph Neural Networks for Tabular Data Learning: A Survey with Taxonomy and Directions

要約

このサーベイでは、グラフニューラルネットワーク（GNN）を用いた表形式データ学習（TDL）について掘り下げる。この領域では、ディープラーニングベースのアプローチが、従来の手法と比較して、分類と回帰タスクの両方で優れた性能を示すようになってきている。この調査では、ディープニューラルTDL手法における重大なギャップ、すなわちデータインスタンスと特徴値の間の潜在的相関の過小表現が強調されている。GNNは、表形式データの多様な要素間の複雑な関係や相互作用をモデル化する生得的な能力を備えており、様々なTDL領域で大きな関心と応用を集めている。本調査は、TDLのためのGNN（GNN4TDL）の設計と実装に関わる手法の体系的なレビューを提供する。基礎的な側面とGNNベースのTDL手法の概要に関する詳細な調査を網羅し、その進化する状況についての洞察を提供する。GNNベースのTDL手法におけるグラフ構造の構築と表現学習に焦点を当てた包括的な分類法を提示する。さらに、本調査では、インスタンス表現の有効性を高めるための補助タスクの統合に重点を置きながら、様々な学習計画を検討する。議論の重要な部分は、様々なGNN4TDLシナリオにおけるGNNの実用的な適用に費やされ、GNNの多用途性とインパクトを実証している。最後に、GNN4TDL の進歩に拍車をかけることを目指し、限界を議論し、将来の研究の方向性を提案する。本調査は、TDLに革命をもたらすGNNの役割を十分に理解し、この有望な分野における将来のイノベーションを指し示す、研究者と実務家のためのリソースとして役立つ。

要約(オリジナル)

In this survey, we dive into Tabular Data Learning (TDL) using Graph Neural Networks (GNNs), a domain where deep learning-based approaches have increasingly shown superior performance in both classification and regression tasks compared to traditional methods. The survey highlights a critical gap in deep neural TDL methods: the underrepresentation of latent correlations among data instances and feature values. GNNs, with their innate capability to model intricate relationships and interactions between diverse elements of tabular data, have garnered significant interest and application across various TDL domains. Our survey provides a systematic review of the methods involved in designing and implementing GNNs for TDL (GNN4TDL). It encompasses a detailed investigation into the foundational aspects and an overview of GNN-based TDL methods, offering insights into their evolving landscape. We present a comprehensive taxonomy focused on constructing graph structures and representation learning within GNN-based TDL methods. In addition, the survey examines various training plans, emphasizing the integration of auxiliary tasks to enhance the effectiveness of instance representations. A critical part of our discussion is dedicated to the practical application of GNNs across a spectrum of GNN4TDL scenarios, demonstrating their versatility and impact. Lastly, we discuss the limitations and propose future research directions, aiming to spur advancements in GNN4TDL. This survey serves as a resource for researchers and practitioners, offering a thorough understanding of GNNs’ role in revolutionizing TDL and pointing towards future innovations in this promising area.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL