A Survey of Graph Neural Networks in Real world: Imbalance, Noise, Privacy and OOD Challenges

要約

グラフ構造化データは、ソーシャル ネットワーク分析、生化学、金融詐欺検出、ネットワーク セキュリティなど、さまざまな分野にわたって普遍性と広範な適用可能性を示します。
グラフ ニューラル ネットワーク (GNN) の活用においては大きな進歩があり、これらの分野で目覚ましい成功を収めています。
ただし、現実のシナリオでは、モデルのトレーニング環境は理想から程遠いことが多く、データ分散の不均衡、誤ったデータのノイズの存在、データのプライバシー保護など、さまざまな不利な要因により GNN モデルのパフォーマンスが大幅に低下します。
機密情報、および配布外 (OOD) シナリオの一般化機能。
これらの問題に取り組むために、実際の現実のシナリオにおける GNN モデルのパフォーマンスを向上させ、信頼性と堅牢性を強化することに多大な努力が払われてきました。
このペーパーでは、既存の GNN モデルを系統的にレビューする包括的な調査を紹介します。これは、既存のレビューの多くが考慮していない、不均衡、ノイズ、プライバシー、OOD など、実際のシナリオにおける前述の 4 つの現実世界の課題の解決策に焦点を当てています。
具体的には、まず既存の GNN が直面する 4 つの主要な課題に焦点を当て、現実世界の GNN モデルの探索への道を開きます。
続いて、これら 4 つの側面について詳細に説明し、これらのソリューションが GNN モデルの信頼性と堅牢性の向上にどのように貢献するかを詳しく説明します。
最後になりましたが、私たちは有望な方向性を概説し、この分野の将来の展望を提供します。

要約(オリジナル)

Graph-structured data exhibits universality and widespread applicability across diverse domains, such as social network analysis, biochemistry, financial fraud detection, and network security. Significant strides have been made in leveraging Graph Neural Networks (GNNs) to achieve remarkable success in these areas. However, in real-world scenarios, the training environment for models is often far from ideal, leading to substantial performance degradation of GNN models due to various unfavorable factors, including imbalance in data distribution, the presence of noise in erroneous data, privacy protection of sensitive information, and generalization capability for out-of-distribution (OOD) scenarios. To tackle these issues, substantial efforts have been devoted to improving the performance of GNN models in practical real-world scenarios, as well as enhancing their reliability and robustness. In this paper, we present a comprehensive survey that systematically reviews existing GNN models, focusing on solutions to the four mentioned real-world challenges including imbalance, noise, privacy, and OOD in practical scenarios that many existing reviews have not considered. Specifically, we first highlight the four key challenges faced by existing GNNs, paving the way for our exploration of real-world GNN models. Subsequently, we provide detailed discussions on these four aspects, dissecting how these solutions contribute to enhancing the reliability and robustness of GNN models. Last but not least, we outline promising directions and offer future perspectives in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google