グラフを使用して、オブジェクト間の複雑な関係と依存関係を表現します。ただし、グラフデータの複雑さは、既存の機械学習アルゴリズムでは処理が難しいため、ディープラーニング手法を使用して処理します。グラフニューラルネットワークに関する包括的な調査では、テキストマイニングと機械学習の分野でのグラフニューラルネットワーク（GNN）の開発をレビューし、GNNを4つのカテゴリに分類します。 。さらに、さまざまな分野にわたるグラフニューラルネットワークの適用について説明し、オープンソースコード、データセット、およびグラフニューラルネットワークの評価指標を要約します。最後に、可能な研究の方向が与えられます。
著者は、ユークリッド距離に基づいて計算されたデータは隠れたパターンをキャプチャできると述べました。ただし、アプリケーションの数が増えるにつれて、グラフを使用してデータを表します。たとえば、ユーザーと製品間の相互作用を使用して、推奨の精度を向上させることができます。分子はグラフに組み込まれ、生物活性は創薬で特定されます。導入ネットワークでは、記事間のリンクが引用関係によって確立され、それらはさまざまなカテゴリに分類されます。ただし、グラフは画像とは異なり、ノードが不規則になり、サイズが異なり、隣接ノードの数が変化するため、グラフの計算が困難になります。さらに、MLアルゴリズムはサンプルの独立性の仮定に基づいており、グラフの構築メカニズムと矛盾します。
♕開発履歴
1.再帰的グラフニューラルネットワーク（RecGNN）1997年以降、ターゲットノードの表現は反復的に学習され、隣接ノードの情報を安定点まで渡すことで学習されています。そのような方法は計算の複雑さが高く、一部の研究者はその複雑さを軽減する方法を研究しています。たとえば、「ゲート付きグラフシーケンスニューラルネットワーク、ICLR2015」、「グラフ上の反復アルゴリズムの定常状態の学習、ICML2018」などです。
2.畳み込みグラフニューラルネットワーク（ConvGNN）は、スペクトルベースのメソッド（2013年初頭）と空間ベースのメソッド（2009年初頭）に分かれています。
3.画像の自己エンコード（GAE）
4.時空間グラフニューラルネットワーク（STGNN）
♕画像埋め込みとネットワーク埋め込み
主な違い：GNNはさまざまなタスクを処理するニューラルネットワークモデルのセットであり、ネットワークの埋め込みは同じタスクのさまざまな方法をカバーしています。GNNは、グラフオートエンコーダフレームワークを介したネットワーク埋め込みの問題に対処できます。
グラフの埋め込み：グラフの関係タスクをエンドツーエンドで処理し、高レベルの表現を抽出します
ネットワークの埋め込み：低次元のベクトルは、ネットワークトポロジとノードコンテンツ情報を維持しながら、ネットワークノードを表します。したがって、その後のグラフ分析タスク（分類、クラスタリング、推奨など）は、単純な既製の機械学習アルゴリズムを使用して簡単に実行できます。ネットワークの埋め込みには、行列因数分解やランダムウォークなどの非深層学習法も含まれます。
♕グラフニューラルネットワークとグラフカーネル法
グラフカーネル：グラフ分類の問題を解決する主要な技術です。カーネル関数を使用して、svmなどのグラフのペア間の類似性を測定します。マッピング関数を使用して、グラフとノードをベクトル空間にマッピングします。類似性計算の2つのペアを使用すると、計算が非常に複雑になります。
グラフニューラルネットワーク：抽出されたグラフ表現に基づいてグラフ分類を直接実行します。これは、グラフカーネル手法よりも効果的です。マッピング関数を使用して、グラフとノードをベクトル空間にマッピングします。