Graph Neural Networks for temporal graphs: State of the art, open challenges, and opportunities

要約

【タイトル】時空グラフのためのグラフニューラルネットワーク：最新の状況、課題、および展望

【要約】
・Graph Neural Network（GNN）は、（静的）グラフ構造データの学習において主流となっている。
・しかし、多くの現実世界のシステムは、グラフやノード/エッジの属性が時間に応じて変化する動的なものであるため、一定の限界がある。
・最近では、時空グラフ用のGNNモデルが、GNNの機能性を拡張する有望な研究分野として浮上している。
・この論文では、時空GNNの最新状況について最初の包括的な概要を提供し、学習設定やタスクに関する厳密な形式化と、一連の既存手法を時間的側面でどのように表現・処理するかに関する新しい分類法を導入している。
・最後に、研究およびアプリケーションの両観点から、最も関連性の高いオープンチャレンジについて議論を締めくくっている。

【要点】
・GNNは静的なグラフ構造データの学習において主流
・現実世界の多くのシステムは動的であり、グラフやノード/エッジ属性が時間に応じて変化する
・時空GNNはGNNの機能性を拡張するための有望な研究分野
・学習設定やタスクに関する厳密な形式化と、一連の既存手法を時間的側面でどのように表現・処理するかに関する新しい分類法を提供
・最も関連性の高いオープンチャレンジについて、研究およびアプリケーションの両観点から議論する。

要約(オリジナル)

Graph Neural Networks (GNNs) have become the leading paradigm for learning on (static) graph-structured data. However, many real-world systems are dynamic in nature, since the graph and node/edge attributes change over time. In recent years, GNN-based models for temporal graphs have emerged as a promising area of research to extend the capabilities of GNNs. In this work, we provide the first comprehensive overview of the current state-of-the-art of temporal GNN, introducing a rigorous formalization of learning settings and tasks and a novel taxonomy categorizing existing approaches in terms of how the temporal aspect is represented and processed. We conclude the survey with a discussion of the most relevant open challenges for the field, from both research and application perspectives.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI