Introduction
Springerから2022年に出版された”Graph Neural Networks: Foundations, Frontiers, and Applications“の概要について述べる。
Introduction
1. Representation Learning : この章では、まず表現学習とは何か、そしてなぜ表現学習が必要なのかについて説明します。この章では、表現を学習するさまざまな方法のうち、深層学習方法に焦点を当てます。深層学習方法は、より抽象的で最終的にはより有用な表現を生成することを目的として、複数の非線形変換の合成によって形成される方法です。私たちは、画像、自然言語、音声信号、ネットワークなどのさまざまなデータタイプに対する独自の課題とモデルに焦点を当て、さまざまな領域における表現学習手法を要約します。最後にこの章をまとめます。
2. Graph Representation Learning: グラフ表現の学習は、グラフ内のノードを低次元表現に割り当て、グラフ構造を効果的に保存することを目的としています。最近、この新たなグラフ分析パラダイムに向けて大幅な進歩が見られました。この章では、まずグラフ表現学習の動機についてまとめます。その後、主に、従来のグラフ表現学習、最新のグラフ表現学習、グラフ ニューラル ネットワークをカバーする、多数のグラフ表現学習方法の包括的な概要を体系的に説明します。
3. Graph Neural Networks: ディープラーニングは、今日の人工知能研究において最も有力なアプローチの 1 つとなっています。従来の深層学習技術は、画像などのユークリッド データやテキストなどのシーケンス データに対して大きな成功を収めてきましたが、グラフ構造で自然に、または最もよく表現されるアプリケーションも数多くあります。このギャップにより、グラフ上の深層学習の研究の流れが加速しており、その中でもグラフ ニューラル ネットワーク (GNN) は、多数のアプリケーション ドメインにわたるさまざまな学習タスクに対処することに最も成功しています。この章では、GNN に関する既存の研究を、基礎、フロンティア、応用の 3 つの軸に沿って体系的に整理します。人気のモデルとその表現力から、GNN のスケーラビリティ、解釈可能性、堅牢性に至るまで、GNN の基本的な側面を紹介します。次に、グラフの分類とリンク予測から、グラフの生成と変換、グラフのマッチング、グラフ構造の学習に至るまで、さまざまな最前線の研究について説明します。これらに基づいて、さまざまな GNN を多数のアプリケーションに最大限に活用する基本手順をさらに要約します。最後に、本の構成を示し、GNN のさまざまな研究トピックのロードマップを要約します。
Foundations of Graph Neural Networks
4. Graph Neural Networks for Node Classification: グラフ ニューラル ネットワークは、グラフ構造データ用に特別に設計されたニューラル アーキテクチャであり、最近ますます注目を集めており、さまざまなドメインやアプリケーションに適用されています。この章では、グラフに関する基本的なタスクであるノードの分類に焦点を当てます。ノード分類の詳細な定義を示し、ラベル伝播などのいくつかの古典的なアプローチも紹介します。その後、ノード分類のためのグラフ ニューラル ネットワークの代表的なアーキテクチャをいくつか紹介します。さらに、ディープ グラフ ニューラル ネットワークのトレーニングの主な困難である平滑化しすぎの問題を指摘し、連続グラフ ニューラル ネットワークなど、この方向に沿った最新の進歩をいくつか紹介します。
5. The Expressive Power of Graph Neural Networks: ニューラル ネットワークの成功は、特徴から予測までの複雑な非線形マッピングを近似できる強力な表現力に基づいています。 (Cybenko、1989) による普遍近似定理以来、フィードフォワード ニューラル ネットワークが任意の対象関数を近似できることが多くの研究で証明されています。ただし、GNN パラメーター空間に対する追加の制約によって課せられる誘導バイアスのため、これらの結果はグラフ ニューラル ネットワーク (GNN) には適用されていません。これらの制約をよりよく理解し、GNN の表現力を特徴付けるには、新しい理論的研究が必要です。この章では、グラフ表現学習における GNN の表現力に関する最近の進歩をレビューします。まず、最も広く使用されている GNN フレームワークであるメッセージ パッシングを紹介し、その能力と限界を分析します。次に、ランダム属性の注入、決定論的距離属性の注入、高次 GNN の構築など、これらの制限を克服するために最近提案されたいくつかの手法を紹介します。これらの技術に関する重要な洞察を示し、その利点と欠点を強調します。
6. Graph Neural Networks: Scalability: 過去 10 年間にわたり、グラフ ニューラル ネットワークは複雑なグラフ データのモデリングにおいて目覚ましい成功を収めてきました。現在、グラフ データは規模と量の両方で指数関数的に増加しており、たとえば、ソーシャル ネットワークは数十億のユーザーと関係で構成されています。このような状況は、グラフ ニューラル ネットワークのスケーラビリティを適切に拡張するにはどうすればよいかという重要な疑問につながります。 GNN の元の実装を大きなグラフに拡張する際には、2 つの大きな課題が残っています。まず、ほとんどの GNN モデルは通常、隣接行列全体とグラフのノード埋め込みを計算するため、膨大なメモリ スペースが必要になります。第 2 に、GNN をトレーニングするにはグラフ内の各ノードを再帰的に更新する必要がありますが、これは大きなグラフでは実行不可能で非効果的になります。現在の研究では、主に 3 つのサンプリング パラダイムからこれらの障害に取り組むことが提案されています。1 つは、グラフ内のターゲット ノードに基づいて実行されるノードごとのサンプリングです。畳み込み層で実装される層ごとのサンプリング。グラフごとのサンプリング。モデル推論用のサブグラフを構築します。この章では、代表的な研究をいくつか紹介します。
7. Interpretability in Graph Neural Networks: 解釈可能な機械学習、つまり説明可能な人工知能は、深層学習技術の不透明性の問題に取り組むために急速に発展しています。グラフ分析では、深層学習の有効性を動機として、グラフ データのモデリングにグラフ ニューラル ネットワーク (GNN) がますます普及しています。最近、GNN に説明を提供したり、GNN の解釈可能性を改善したりするアプローチが提案されています。この章では、これらのアプローチを要約するための包括的な調査を提供します。具体的には、最初のセクションでは、深層学習における解釈可能性の基本概念を確認します。 2 番目のセクションでは、GNN 予測を理解するための事後説明方法を紹介します。 3 番目のセクションでは、グラフ データのより解釈しやすいモデルの開発の進歩を紹介します。 4 番目のセクションでは、解釈を評価するためのデータセットと指標を紹介します。最後に、このテーマの将来の方向性を指摘します。
8. Graph Neural Networks: Adversarial Robustness: グラフ ニューラル ネットワークは、さまざまなグラフ学習タスクで目覚ましい結果を達成し、分子特性の予測、癌の分類、不正検出、知識グラフ推論などの多くのアプリケーションに活用されています。科学的アプリケーション、安全性が重要な環境、または人間が関与する意思決定の場面で導入される GNN モデルの数が増加しているため、その信頼性を確保することが重要です。この章では、GNN の敵対的堅牢性に関する現在の研究の概要を説明します。グラフ設定に伴う特有の課題と機会を紹介し、敵対的サンプル生成を通じて古典的な GNN の限界を示す研究の概要を示します。これらの洞察に基づいて、グラフ ニューラル ネットワークの証明可能な堅牢性の保証を提供する方法と、GNN の堅牢性を向上させるための原則を紹介し、分類します。最後に、堅牢性を考慮した適切な評価手法について説明します。
Frontiers of Graph Neural Networks
9. Graph Neural Networks: Graph Classification: 最近、グラフ ニューラル ネットワークが、グラフとリレーショナル入力を使用した教師あり学習のための主要な機械学習アーキテクチャとして登場しました。この章では、グラフ分類用の GNN、つまりグラフ レベルの出力を学習する GNN の概要を説明します。 GNN はノードレベルの表現を計算するため、プーリング層、つまりノードレベルの表現からグラフレベルの表現を学習する層は、グラフ分類を成功させるための重要なコンポーネントです。したがって、プーリング層の概要を徹底的に説明します。さらに、グラフ分類に対する GNN の限界と、その限界を克服するための進歩を理解するための最近の研究を概説します。最後に、GNN のいくつかのグラフ分類アプリケーションを調査し、経験的評価のためのベンチマーク データセットを概説します。
10. Graph Neural Networks: Link Prediction: リンク予測は、グラフ ニューラル ネットワークの重要なアプリケーションです。ノードのペア間の欠落リンクまたは将来のリンクを予測することにより、リンク予測はソーシャル ネットワーク、引用ネットワーク、生物学的ネットワーク、レコメンダー システム、セキュリティなどで広く使用されています。従来のリンク予測方法は、ヒューリスティックなノード類似性スコア、潜在的な埋め込みに依存しています。ノード、または明示的なノード機能。グラフ ニューラル ネットワーク (GNN) は、グラフ構造とノード/エッジの特徴から共同学習するための強力なツールとして、従来のリンク予測方法よりも優れていることが徐々に示されています。この章では、リンク予測のための GNN について説明します。まずリンク予測問題を紹介し、従来のリンク予測方法を検討します。次に、2 つの一般的な GNN ベースのリンク予測パラダイム、ノードベースとサブグラフベースのアプローチを紹介し、リンク表現力におけるそれらの違いについて説明します。最後に、GNN ベースのリンク予測に関する最近の理論的進歩をレビューし、いくつかの将来の方向性を提供します。
11. Graph Neural Networks: Graph Generation: この章では、まず Erdo ̋s–Re ́nyi モデルや確率ブロック モデルなど、グラフ生成のためのいくつかの古典的な確率モデルを確認します。次に、グラフ ニューラル ネットワーク、変分自動エンコーダー、深層自己回帰モデル、敵対的生成ネットワークなどの深層学習技術を活用した、いくつかの代表的な最新のグラフ生成モデルを紹介します。最後に、潜在的な将来の方向性についての議論でこの章を締めくくります。
12. Graph Neural Networks: Graph Transformation: 構造化予測に関する多くの問題は、ソース ドメインのグラフをターゲット ドメインの別のグラフに「変換」するプロセスで発生します。これには、ソース ドメインからターゲット ドメインへの変換マッピングを学習する必要があります。たとえば、脳ネットワークや交通ネットワークにおける構造的接続が機能的接続にどのような影響を与えるかを研究することが重要です。タンパク質（原子のネットワークなど）が一次構造から三次構造までどのように折りたたまれるかを研究することも一般的です。この章では、ディープ グラフ ニューラル ネットワークの領域のグラフに関係する変換問題に焦点を当てます。まず、グラフ ニューラル ネットワークの領域におけるグラフ変換の問題は、セクション 12.1 で形式化されます。変換プロセス中に変換されるエンティティを考慮すると、グラフ変換問題はさらに 4 つのカテゴリに分類されます。すなわち、ノード レベルの変換、エッジ レベルの変換、ノードとエッジの同時変換、およびその他のグラフに関連する問題です。変換 (シーケンスからグラフへの変換やコンテキストからグラフへの変換など)。これらについては、それぞれセクション 12.2 からセクション 12.5 で説明します。各サブセクションでは、各カテゴリの定義とその固有の課題が提供されます。次に、カテゴリごとにさまざまな側面から課題に対処するいくつかの代表的なグラフ変換モデルが紹介されます。
13. Graph Neural Networks: Graph Matching: グラフ構造オブジェクトのペアの間にある種の構造的対応関係を確立しようとするグラフ マッチングの問題は、現実世界のさまざまなアプリケーションにおける重要な課題の 1 つです。一般に、グラフ マッチング問題は 2 つのカテゴリに分類できます。i) 入力グラフのペアのノード間の最適なノード間の対応を見つける古典的なグラフ マッチング問題、および ii) を計算するグラフ類似性問題2 つのグラフ間の類似性メトリック。近年、グラフのノード表現の学習における GNN の大きな成功が目撃されていますが、エンドツーエンドの方法でグラフ マッチング問題について GNN を探索することへの関心が高まっています。この章では、GNN に基づくグラフ マッチング モデルの最新技術に焦点を当てます。まず、グラフマッチング問題の背景をいくつか紹介します。次に、グラフ マッチング問題の各カテゴリについて、正式な定義を提供し、古典的なグラフ マッチング問題とグラフ類似性問題の両方について、それぞれ最先端の GNN ベースのモデルについて説明します。最後に、この章は、将来の研究の可能性のある方向性をいくつか指摘して終わります。
14. Graph Neural Networks: Graph Structure Learning: グラフ構造データのモデリングにおけるグラフ ニューラル ネットワーク (GNN) の優れた表現力により、GNN は、自然言語処理、コンピューター ビジョン、レコメンダー システム、創薬などのさまざまなアプリケーションで大きな成功を収めています。ただし、GNN が大成功するかどうかは、ノイズが多かったり、利用できなかったりするグラフ構造データの品質と可用性にかかっています。グラフ構造学習の問題は、上記の問題の解決に役立つ有用なグラフ構造をデータから発見することを目的としています。この章では、従来の機械学習と GNN の両方のレンズを通して、グラフ構造学習の包括的な紹介を試みます。この章を読むと、読者は、この問題がさまざまな視点、さまざまな目的、さまざまな手法を通じてどのように取り組まれてきたか、また GNN と組み合わせたときのその大きな可能性を知ることができます。読者は、この研究分野における有望な将来の方向性も学ぶことができます。
15. Dynamic Graph Neural Networks: 私たちを取り巻く世界は、相互に作用し、関係を形成するエンティティで構成されている。グラフのノードはエンティティに対応し、エッジは相互作用と関係に対応する。例えば、新しいエンティティが現れたり、エンティティの特性が変化したり、2つのエンティティ間に新しい関係が形成されたりする。これが動的グラフを生み出す。動的グラフが発生するアプリケーションでは、グラフの進化の中に重要な情報が存在することが多く、そのような情報をモデル化し利用することは、高い予測性能を達成する上で極めて重要である。本章では、動的グラフモデリング問題の様々なカテゴリーを特徴付ける。次に、グラフ・ニューラル・ネットワークの動的グラフへの拡張として、文献で提案されている著名なものについて述べる。最後に、動的グラフ・ニューラル・ネットワークの3つの注目すべき応用例、すなわち、スケルトンに基づく人間の活動認識、交通予測、時間的知識グラフのcom-pletionについてレビューする。
16. Heterogeneous Graph Neural Networks: 異種情報ネットワーク (HIN) とも呼ばれる異種グラフ (HG) は、現実世界のシナリオで広く普及しています。最近、ヘテロジニアス グラフ ニューラル ネットワーク (HGNN) として知られる、ヘテロジニアス グラフへのグラフ ニューラル ネットワーク (GNN) の採用が、下流タスクの異種構造とセマンティクスを維持しながら低次元空間への埋め込みを学習することを目的としており、かなりの注目を集めています。この章では、まず HG 埋め込みに関する最近の開発について簡単に概説し、次に浅いモデルと深いモデル、特に HGNN の観点から典型的な手法を紹介します。最後に、HGNN の将来の研究の方向性を示します。
17. Graph Neural Networks: AutoML: グラフ ニューラル ネットワーク (GNN) は、ネットワーク化されたデータを分析するための効率的な深層学習ツールです。グラフ分析タスクに広く適用されている GNN の急速な進化により、新しいアーキテクチャの数が増加しています。実際には、ニューラル アーキテクチャの構築とトレーニングのハイパーパラメータ調整の両方が、ノード表現の学習と最終的なモデルのパフォーマンスにとって重要です。ただし、グラフ データの特性は現実世界のシステムでは大きく異なるため、特定のシナリオを想定すると、適切な GNN アーキテクチャとトレーニング ハイパーパラメータを特定するには、豊富な人間の専門知識と多大な労力を要する試行が必要になります。最近、自動機械学習 (AutoML) は、機械学習アプリケーションの最適なソリューションを自動的に見つける可能性を示しています。 AutoML は手動チューニング プロセスの負担を軽減しながら、専門家の豊富な経験がなくても最適なソリューションへのアクセスを保証します。 AutoML のこれまでの成功を動機として、GNN ニューラル アーキテクチャ検索 (GNN-NAS) とトレーニング ハイパーパラメータ調整の問題に取り組むために、いくつかの予備的な自動化 GNN (AutoGNN) フレームワークが開発されました。この章では、検索スペースと検索アルゴリズムという 2 つの観点から AutoGNN の包括的かつ最新のレビューを示します。具体的には、主に GNN-NAS 問題に焦点を当て、この 2 つの観点から最先端の技術を導入します。将来の研究に向けて、既存の方法に関連する未解決の問題についてさらに議論します。
18. Graph Neural Networks: Self-supervised Learning: 深層学習は多数のドメインにわたって最先端のパフォーマンスを達成していますが、これらのモデルは一般に、その可能性を最大限に発揮し、過剰適合を回避するために、大規模な注釈付きデータセットを必要とします。ただし、このようなデータセットの取得には、関連コストが高かったり、入手が不可能であったりする可能性があります。自己教師あり学習 (SSL) は、深層学習モデルのこの根本的な制限を軽減するために、ラベルのないデータに対して特定の口実タスクを作成して利用することを目指しています。当初は画像およびテキスト ドメインに適用されていましたが、最近ではグラフ ドメインで SSL を活用してグラフ ニューラル ネットワーク (GNN) のパフォーマンスを向上させることに関心が集まっています。ノードレベルのタスクの場合、GNN は画像やテキスト ドメインとは異なり、近傍集約を通じてラベルのないノード データを本質的に組み込むことができます。しかし、新しい口実タスクを適用してより豊富な情報をエンコードすることで利益を得ることができ、最近ではそのような方法が数多く開発されています。グラフレベルのタスクを解決する GNN にとって、SSL メソッドの適用は他の従来のドメインとより連携していますが、それでも独自の課題が存在するため、いくつかの研究の焦点となっています。この章では、GNN に SSL を適用する際の最近の開発を、さまざまなトレーニング戦略と口実タスクの構築に使用されるデータの種類別に分類して要約し、最後に将来の方向性に関する未解決の課題について説明します。
Broad and Emerging Applications with Graph Neural Networks
19. Graph Neural Networks in Modern Recommender Systems: グラフは、グラフ構造データのモデリングと表現における柔軟性と有効性により、広く適用できる表現力豊かで強力なデータ構造です。生物学、金融、交通、ソーシャル ネットワークなど、さまざまな分野でますます人気が高まっています。レコメンダー システムは、人工知能の最も成功した商用アプリケーションの 1 つであり、ユーザーとアイテムのインタラクションがグラフ構造データに自然に適合することができ、グラフ ニューラル ネットワーク (GNN) の適用においても大きな注目を集めています。まず、GNN、特にレコメンダー システムにおける最新の進歩について要約します。次に、動的 GNN 学習と GNN のためのデバイスとクラウドの協調学習という 2 つのケーススタディを紹介します。最後に、実際の GNN の将来の方向性に関する議論を終了します。
20. Graph Neural Networks in Computer Vision: 最近、グラフ ニューラル ネットワーク (GNN) が多くのコンピューター ビジョン (CV) モデルに組み込まれています。これらは、多くの CV 関連タスクのパフォーマンス向上をもたらすだけでなく、これらの CV モデルをより説明しやすい分解も提供します。この章では、単一画像の分類からクロスメディアの理解に至るまで、GNN がさまざまな CV タスクにどのように適用されるかについて、包括的な概要を説明します。また、この急速に成長している分野についてフロンティアの観点から説明します。
21. Graph Neural Networks in Natural Language Processing: 自然言語処理 (NLP) と理解は、書式設定されていないテキストを読み取り、さまざまなタスクを実行することを目的としています。ディープ ニューラル ネットワークによって学習された単語の埋め込みは広く使用されていますが、テキスト部分の基礎となる言語的および意味的構造は、これらの表現では完全には活用できません。グラフは、エンティティ、文、文書など、さまざまなテキスト部分間のつながりを捉える自然な方法です。ベクトル空間モデルの限界を克服するために、研究者は深層学習モデルとグラフ構造表現を組み合わせて、NLP やテキスト マイニングのさまざまなタスクを実行しています。このような組み合わせは、テキストの構造情報とディープ ニューラル ネットワークの表現学習能力の両方を最大限に活用するのに役立ちます。この章では、NLP で広く使用されているさまざまなグラフ表現を紹介し、グラフの観点からさまざまな NLP タスクにどのように取り組むことができるかを示します。グラフベースの NLP に関する最近の研究成果を要約し、グラフベースのテキスト クラスタリング、マッチング、およびマルチホップ機械読解に関連する 2 つの事例研究について詳しく説明します。最後に、このサブフィールドの重要な未解決の問題について総合的に説明します。
22. Graph Neural Networks in Program Analysis: プログラム分析は、プログラムの動作が何らかの仕様に準拠しているかどうかを判断することを目的としています。一般に、プログラム分析は人間によって定義および調整される必要があります。これはコストのかかるプロセスです。最近、機械学習手法は、さまざまなプログラム解析を確率的に実現する可能性を示しています。プログラムの構造化された性質と、プログラム分析におけるグラフ表現の共通性を考慮すると、グラフ ニューラル ネットワーク (GNN) は、プログラムを表現し、学習し、推論する洗練された方法を提供し、機械学習ベースのプログラム分析で一般的に使用されます。この章では、プログラム分析のための GNN の使用について説明し、変数の誤用検出と型推論という 2 つの実際的な使用例に焦点を当てます。
23. Graph Neural Networks in Software Mining: ソフトウェア マイニングには、プログラムのソース コード内のバグの場所の発見、ソフトウェアの動作に関する自然言語記述の生成、2 つのプログラムが基本的に同じことを行うときの検出など、ソフトウェアに関連する幅広いタスクが含まれます。ソース コードには言語上の制限があり、大規模なチームで作業する場合はプログラマーが読みやすさと互換性を維持する必要があるため、ソフトウェアは非常に明確に定義された構造を持つ傾向があります。したがって、ソフトウェアをグラフベースで表現する伝統が普及しました。一方、ソフトウェア リポジトリのメンテナンスの進歩により、最近ではソース コードの非常に大規模なデータセットの作成が可能になりました。その結果、グラフ ニューラル ネットワークによるソフトウェア表現の肥沃な土壌が生まれ、多数のソフトウェア マイニング タスクが容易になります。この章では、これらの表現の簡単な歴史を示し、GNN の恩恵を受ける典型的なソフトウェア マイニング タスクについて説明し、これらのタスクの 1 つを詳細に示し、GNN が提供できる利点について説明します。注意点と推奨事項についても説明します。
24. GNN-based Biomedical Knowledge Graph Mining in Drug Development: 創薬および開発 (D3) は、非常に費用と時間がかかるプロセスです。ゼロから医薬品を製造して市場に出すまでには何十年もかかり、何十億ドルもかかるため、新型コロナウイルス感染症のような緊急事態に直面した場合、このプロセスは非常に非効率的になります。同時に、過去数十年にわたる D3 プロセスにおいて、膨大な量の知識と経験が蓄積されてきました。これらの知識は通常、ガイドラインまたは生物医学文献にコード化されており、将来の D3 プロセスに有益な洞察を含む重要なリソースを提供します。ナレッジ グラフ (KG) は、文献内の有用な情報を整理して効率的に検索できるようにする効果的な方法です。また、D3 プロセスに関与する異種の生物医学概念の橋渡しにもなります。この章では、既存の生物医学 KG をレビューし、GNN 技術がどのように KG での D3 プロセスを促進できるかを紹介します。また、パーキンソン病と新型コロナウイルス感染症に関する2つの事例を紹介し、今後の方向性を指摘します。
25. Graph Neural Networks in Predicting Protein Function and Interactions: グラフ ニューラル ネットワーク (GNN) は、グラフなどの非ユークリッド データを操作できるため、分子モデリング研究における強力なツールとしてますます人気が高まっています。 GNN は、グラフに固有の構造を埋め込み、意味論的な情報を保存する能力があるため、多様な分子構造と機能の研究を進めています。この章では、タンパク質の機能を解明することを目的として、1 つ以上のタンパク質中心のデータソースをまとめた GNN 支援研究に焦点を当てます。我々は、GNN と、タンパク質分子の生物学的機能と分子相互作用を予測するという関連問題に取り組むために設計された、GNN とその最も成功した最近のバリアントに関する簡単な調査を提供します。最新の方法論の進歩、発見、さらにはさらなる研究の促進を期待できる未解決の課題をレビューします。
26. Graph Neural Networks in Anomaly Detection: 異常検出は重要なタスクであり、大量のデータを分析することで「正常とは異なる」信号やパターンを発見し、重大な障害を特定して防止するという問題に取り組みます。異常検出は、サイバーセキュリティ、金融、電子商取引、ソーシャルネットワーク、産業監視、その他多くのミッションクリティカルなタスクなどの分野で、影響の大きい多数のアプリケーションに適用されています。多次元データの非構造化コレクションに対処するために過去数十年間に複数の技術が開発されてきましたが、最近ではグラフ構造を意識した技術が大きな注目を集めています。グラフ構造を利用して異常を検出するための新しい技術が多数開発されています。最近、グラフ ニューラル ネットワーク (GNN) は、強力な深層学習ベースのグラフ表現技術として、グラフ構造を活用する点で優れていることが実証され、異常検出に使用されています。この章では、異常検出に GNN を適用する既存の研究について、一般的かつ包括的かつ構造化された概要を説明します。
27. Graph Neural Networks in Urban Intelligence: 近年、スマートでコネクテッドな都市インフラが急速に拡大しており、人間の移動データ、位置ベースの取引データ、地域の気象および大気質データ、社会的接続データなどの大量の都市ビッグデータがますます生成されています。これらの異種データ ソースは都市に関する豊富な情報を伝え、都市社会グラフや交通グラフなどのグラフと自然にリンクしたり、グラフによってモデル化したりできます。これらの都市グラフ データにより、都市施設計画や大気汚染など、都市のさまざまな課題を解決するためのインテリジェントなソリューションが可能になります。ただし、このような大きな都市グラフ データを管理、分析し、理解することは非常に困難でもあります。最近、さまざまな都市インテリジェンス アプリケーションのためのグラフ ニューラル ネットワーク (GNN) アプローチの進歩と拡張に関する多くの研究が行われています。この章では、都市インテリジェンスを強化するために使用されているグラフ ニューラル ネットワーク (GNN) 技術の包括的な概要を、(i) 都市の異常とイベントの検出、(ii) 都市の構成という 4 つのアプリケーション カテゴリに分けて説明します。交通計画、(iii) 都市交通予測、および (iv) 都市における人間の行動の推論。この章では、この分野の研究の将来の方向性についても説明します。この章は（仮に）次のように構成されています。
コメント