Graph Neural Networks Designed for Different Graph Types: A Survey

要約

タイトル: グラフ型に応じて設計されたグラフニューラルネットワーク: サーベイ

要約:
– グラフは、自然界で広く存在し、多くの実用的な問題や理論的な問題のモデルとして機能することができます
– これらの問題に対応するため、さまざまなタイプのグラフが定義され、それぞれの問題の文脈を適切に反映しています
– グラフデータに基づく最新の問題に対処するために、グラフニューラルネットワーク(GNN)の研究分野が出現しました
– このサーベイでは、既存のGNNについて詳細な概要を提供し、以前のサーベイとは異なり、異なるグラフタイプや特性を処理できる能力に従ってそれらを分類します
– 静的および動的なさまざまな構造を持つグラフ、ノードまたはエッジ属性の有無にかかわらず、ディスクリートタイムまたはコンティニュアスタイムの動的グラフに作用するGNNを考慮します。
– また、アーキテクチャに基づいてモデルをグループ分けし、まだ既存のGNNモデルではカバーされていないグラフタイプがあることを発見しました
– さらに、存在しない理由についての潜在的な理由を指摘し、モデルが不足している点を指摘します

要約(オリジナル)

Graphs are ubiquitous in nature and can therefore serve as models for many practical but also theoretical problems. For this purpose, they can be defined as many different types which suitably reflect the individual contexts of the represented problem. To address cutting-edge problems based on graph data, the research field of Graph Neural Networks (GNNs) has emerged. Despite the field’s youth and the speed at which new models are developed, many recent surveys have been published to keep track of them. Nevertheless, it has not yet been gathered which GNN can process what kind of graph types. In this survey, we give a detailed overview of already existing GNNs and, unlike previous surveys, categorize them according to their ability to handle different graph types and properties. We consider GNNs operating on static and dynamic graphs of different structural constitutions, with or without node or edge attributes. Moreover, we distinguish between GNN models for discrete-time or continuous-time dynamic graphs and group the models according to their architecture. We find that there are still graph types that are not or only rarely covered by existing GNN models. We point out where models are missing and give potential reasons for their absence.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI