Learning from Graphs with Heterophily: Progress and Future

要約

グラフは、現実世界のエンティティ間の複雑な関係をモデル化した構造化データです。
リンクされたノードが異なるラベルまたは異なる特徴を持つ傾向がある異種親和性グラフは、最近大きな注目を集めており、多くの応用が見出されています。
一方で、異種親和性グラフからの学習を進めるための取り組みが増えています。
関連するトピックに関する調査は存在しますが、それらは異種性グラフ学習のサブトピックにすぎない異種性 GNN に焦点を当てています。
この調査では、異性愛をグラフから学ぶことに関する既存の著作を包括的に概観します。まず、180を超える出版物を収集し、この分野の発展を紹介します。
次に、学習戦略、モデル アーキテクチャ、実際のアプリケーションを含む階層的な分類に基づいて、既存の手法を体系的に分類します。
最後に、既存の研究の主な課題について議論し、将来の研究に向けた有望な道筋を強調します。出版物の詳細と対応するオープンソース コードにはアクセスでき、リポジトリ:https://github.com/gongchenghua/Papers で継続的に更新されます。
-異性愛を伴うグラフ。

要約(オリジナル)

Graphs are structured data that models complex relations between real-world entities. Heterophilous graphs, where linked nodes are prone to be with different labels or dissimilar features, have recently attracted significant attention and found many applications. Meanwhile, increasing efforts have been made to advance learning from heterophilous graphs. Although there exist surveys on the relevant topic, they focus on heterophilous GNNs, which are only sub-topics of heterophilous graph learning. In this survey, we comprehensively overview existing works on learning from graphs with heterophily.First, we collect over 180 publications and introduce the development of this field. Then, we systematically categorize existing methods based on a hierarchical taxonomy including learning strategies, model architectures and practical applications. Finally, we discuss the primary challenges of existing studies and highlight promising avenues for future research.More publication details and corresponding open-source codes can be accessed and will be continuously updated at our repositories:https://github.com/gongchenghua/Papers-Graphs-with-Heterophily.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google