Data-centric Graph Learning: A Survey

要約

人工知能 (AI) の歴史は、AlexNet や ResNet の ImageNet など、さまざまな深層学習モデルに対する高品質データの大きな影響を目撃してきました。
最近、AI コミュニティの注目は、モデル中心のアプローチとしてより複雑なニューラル アーキテクチャを設計するのではなく、データをより適切に処理してニューラル モデルの能力を強化することに焦点を当てたデータ中心のものに移ってきています。
ユビキタスな位相データを操作するグラフ学習も、深層学習の時代において重要な役割を果たします。
この調査では、データ中心の観点からグラフ学習アプローチを包括的にレビューし、(1) いつグラフ データを変更するか、(2) グラフ データの可能性を引き出すにはグラフ データのどの部分を変更する必要があるかという 3 つの重要な質問に答えることを目的としています。
さまざまなグラフ モデル、(3) 問題のあるデータの影響からグラフ モデルを保護する方法。
したがって、グラフ学習パイプラインの段階に基づいた新しい分類法を提案し、グラフ データのさまざまなデータ構造、つまりトポロジ、特徴、ラベルの処理方法に焦点を当てます。
さらに、グラフ データに埋め込まれたいくつかの潜在的な問題を分析し、データ中心の方法でそれらを解決する方法について議論します。
最後に、データ中心のグラフ学習の有望な将来の方向性をいくつか示します。

要約(オリジナル)

The history of artificial intelligence (AI) has witnessed the significant impact of high-quality data on various deep learning models, such as ImageNet for AlexNet and ResNet. Recently, instead of designing more complex neural architectures as model-centric approaches, the attention of AI community has shifted to data-centric ones, which focuses on better processing data to strengthen the ability of neural models. Graph learning, which operates on ubiquitous topological data, also plays an important role in the era of deep learning. In this survey, we comprehensively review graph learning approaches from the data-centric perspective, and aim to answer three crucial questions: (1) when to modify graph data, (2) what part of the graph data needs modification to unlock the potential of various graph models, and (3) how to safeguard graph models from problematic data influence. Accordingly, we propose a novel taxonomy based on the stages in the graph learning pipeline, and highlight the processing methods for different data structures in the graph data, i.e., topology, feature and label. Furthermore, we analyze some potential problems embedded in graph data and discuss how to solve them in a data-centric manner. Finally, we provide some promising future directions for data-centric graph learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google