Skip to content
検索結果に戻る

グラフニューラルネットワーク

提唱者
Kipf, T.N. & Welling, M.
年
2017
種類
Deep learning on graph-structured data

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

科学的レビュー待ちです。

GNN の普遍的なサンプルサイズ閾値を主張するセクションは、科学的レビューが終わるまで非表示にしています。元の研究は一般的な適用閾値を確立していません。 比較の出典

何をする手法か?

グラフニューラルネットワーク(GNN)は、KipfとWellingが2017年にグラフ畳み込みネットワークで普及させた深層学習手法であり、ノードとエッジで構成されるネットワーク(グラフ)構造における関係性から学習します。これは、ソーシャルネットワーク、分子構造、レコメンデーションシステムなど、本質的に関係性を持つデータ向けに設計されています。

手法の背後にある直感

多くの種類のデータは、独立した行の平坦なテーブルではなく、接続されたエンティティのウェブです。例えば、友情で結ばれた人々、結合で結ばれた原子、一緒に購入されることで結ばれたアイテムなどです。GNNはその接続性を真剣に捉えます。各ノードを個別に扱うのではなく、すべてのノードが隣接ノードの情報を聞き取り、周囲の情報に基づいて自身の表現を更新することで、グラフの構造自体がモデルが学習する要素の一部となります。

歴史学

グラフニューラルネットワークは、KipfとWellingによる2017年のグラフ畳み込みネットワークによって主流となり、グラフ上での学習を近傍ベースの畳み込みの一種として捉えました。Veličkovićらは2018年にグラフアテンションネットワークでこのアイデアを拡張し、ノードが隣接ノードを異なる重みで評価できるようにしました。Hamiltonの2020年のモノグラフ『Graph Representation Learning』がこの分野を統合し、GNNはそれ以来、関係性データのための標準的なツールとなっています。

使うべき場面

このセクションは科学的レビュー待ちです。ここに示された条件を手法選択のルールとして使わないでください。

原文はレビュー待ちです

限界と注意点

  • 出典は限界を明示していません。適合性は別途評価が必要です。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • データを平坦な行に強制するのではなく、関係性構造から直接学習する。
  • ソーシャルネットワーク、分子構造、レコメンデーションシステムに自然に適している。
  • 特徴量分布に関する仮定が少なく、連続値、カテゴリカル、バイナリのノード特徴量を処理できる。
  • ノードのコンテキスト(グラフにおけるその近傍)がその振る舞いをどのように形成するかを捉える。

応用

  • ソーシャルネットワークにおけるノードおよびリンク分析。
  • 分子構造における特性予測。
  • ユーザーとアイテムの相互作用グラフに基づいたレコメンデーションシステム。
  • 自然に接続されたあらゆるデータセットにおける関係性の説明と学習。

使い方

使い方

1
数式
h_v^{(l+1)} = \sigma\!\left(\sum_{u \in \mathcal{N}(v)} \frac{1}{c_{vu}} W^{(l)} h_u^{(l)}\right)

関連する手法

参考文献

  1. Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR.

    出版物の文献を開く
    コピーしました。
  2. Veličković, P. et al. (2018). Graph Attention Networks. ICLR.

    出版物の文献を開く
    コピーしました。
  3. Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.

    DOI 文献を開く
    コピーしました。