グラフやグラフニューラルネットワークについて学びたいですか?論文を読むより良い方法はありません。

グラフ埋め込み、グラフ表現、グラフ分類、グラフニューラルネットワーク、この記事では必要なグラフモデリング論文を紹介します。もちろん、それらすべてにはサポート実装があります。

グラフは非常に魔法のような表現方法です。人間関係のネットワーク、道路交通網、情報インターネットなど、人生におけるほとんどの現象や状況はグラフで表現できます。マルクス主義哲学が提唱するように、物事は普遍的につながっており、グラフはこのつながりを捉えることができるため、グラフを使用して世界を記述するのが最善の方法です。

しかし、グラフなどの構造化データには問題があります。後続の計算を実行する前に、まずグラフを用意する必要があります。ただし、グラフの作成は簡単ではなく、現時点ではこれより優れた自動化方法はないため、最初のステップには依然として多大な労力が必要です。すべてのノードとエッジが決定されている限り、グラフは非常に強力で複雑なツールであり、モデルはグラフ内のさまざまな隠れた知識を推測することもできます。

異なる時間でのグラフモデリング

実際、グラフ モデリングは、グラフ ニューラル ネットワークと従来のグラフ モデルに分けることができます。これまでのグラフモデリングは、主にグラフ埋め込みに依存して、さまざまなノードの低次元ベクトル表現を学習していました。これは、NLP の単語埋め込みの考え方を借用したものです。グラフ ニューラル ネットワークは、ディープラーニングを使用して、より強力なグラフ操作とグラフ表現を実行します。

グラフ埋め込みアルゴリズムは、ネットワーク ノードを低次元ベクトルで表現する方法に重点を置いており、類似のノードが表現空間内で近くなるようになっています。対照的に、GNN の最大の利点は、1 つのノードだけを意味的に表現できるわけではないことです。

たとえば、GNN はサブグラフの意味情報を表し、ネットワーク内のノードのごく一部の意味を表現することができますが、これは従来のグラフ埋め込みでは簡単にはできませんでした。 GNN は、グラフ ネットワーク全体における情報の伝播と集約をモデル化することもできます。つまり、グラフ ネットワーク全体をモデル化できます。さらに、GNN は周囲のノードの豊富な情報をより適切にモデル化できるため、単一のノードをより適切に表現することもできます。

従来のグラフモデリングでは、ランダムウォークや最短経路などのグラフ手法は記号的知識を活用しますが、これらの手法では各ノードの意味情報を有効に活用する方法がありません。ディープラーニング技術は、構造化されていないテキスト、画像、その他のデータの処理に優れています。つまり、GNN は、ディープラーニング技術をシンボリック グラフ データに適用するもの、つまり、非構造化データから構造化データに拡張するものと考えることができます。 GNN は、シンボリック表現と低次元ベクトル表現を完全に統合して、両方の利点を最大限に活用できます。

グラフモデリングの論文とコード

GitHub 上のオープンソース作業では、開発者は、古典的なグラフ埋め込み、グラフカーネルからグラフニューラルネットワークに至るまで、グラフモデリングに関連する論文と実装を収集しました。これらは、グラフ埋め込み、グラフ分類、グラフ表現などの分野において非常に重要な論文です。

プロジェクトアドレス: https://github.com/benedekrozemberczki/awesome-graph-classification

このプロジェクトで収集された論文の主な分野は次のとおりです。

1. 因数分解

2. スペクトルと統計の指紋

3. グラフニューラルネットワーク

4. グラフカーネル