サーベイ論文の確認と追加調査①(Abstractで掴む概要)|Graph Neural Networkの研究を俯瞰する #1

f:id:lib-arts:20200209171324p:plain
グラフ理論やCNNをグラフ理論に応用したグラフ畳み込みネットワークについては下記で以前に簡単に取り扱いました。

ベースライン論文におけるGraphのCNN学習アルゴリズム|ベースから理解するGraph Convolutional Networks #2 - Liberal Art’s diary

もう少し俯瞰的に取り扱えればということで簡単に調べてみたのですが、2019年のサーベイ論文を見つけましたのでこちらを読み進めつつ必要に応じて追加調査を行えればと思います。

[1901.00596] A Comprehensive Survey on Graph Neural Networks

#1ではAbstractを確認し、全体の大枠を掴みます。
以下目次になります。
1. Abstract
2. まとめ


1. Abstract
1節ではAbstractの内容を確認しながら概要について把握します。以下各文の和訳などを通して簡単に内容を確認します。

Deep learning has revolutionized many machine learning tasks in recent years, ranging from image classification and video processing to speech recognition and natural language understanding.

和訳:『DeepLearningは近年機械学習関連のタスクにおいて多大なる結果を残しており、その応用範囲は画像識別(image classification)や動画処理(video processing)から音声識別(speech recognition)や言語理解(natural language understanding)にまで広がっている。』
様々な分野におけるDeepLearningの成功について記述されています。

The data in these tasks are typically represented in the Euclidean space. However, there is an increasing number of applications where data are generated from non-Euclidean domains and are represented as graphs with complex relationships and interdependency between objects.

和訳:『(前文で挙げた)タスクにおけるデータはユークリッド空間(Euclidean space)上で表現できる。しかしながら、世の中にはオブジェクト間の関係性や独立性を取り扱うグラフのような非ユークリッド領域上のデータを用いる数多くの応用(applications)がある。』
若干訳しづらい内容でしたので意訳も入りましたがそこまで大きな違いはないかと思います。グラフのデータは画像のように綺麗なグリッド(網目)状であるわけではなく、イレギュラーな構造であるということについて示唆されています。

The complexity of graph data has imposed significant challenges on existing machine learning algorithms. Recently, many studies on extending deep learning approaches for graph data have emerged. In this survey, we provide a comprehensive overview of graph neural networks (GNNs) in data mining and machine learning fields.

和訳:『グラフのデータの複雑さは既存の機械学習アルゴリズムにおける大きな課題となっている。最近ではDeepLearningを用いてグラフデータを取り扱うアプローチについて多くの研究がなされている。このサーベイ(論文)では、データマイニング機械学習の分野におけるGNN(Graph Neural Networks)の包括的な大枠を提示する。』
DeepLearningを用いたグラフのデータへのアプローチが多くなされるようになってきたため、サーベイを行ったことについて記載がされています。

We propose a new taxonomy to divide the state-of-the-art graph neural networks into four categories, namely recurrent graph neural networks, convolutional graph neural networks, graph autoencoders, and spatial-temporal graph neural networks.

和訳:『我々はSotAのグラフニューラルネットワークを4つに分ける新しい分類を提案する。4つの分類としては、再帰的グラフニューラルネットワーク(recurrent graph neural networks)、畳み込みグラフニューラルネットワーク(convolutional neural networks)、グラフオートエンコーダ(graph autoencoders)、spatial-temporal graph neural networksの4つである。』
分類を示してくれているので、研究の内容を整理しやすくなっています。この4つの分類については念頭に置いた上で読み進めていくと良さそうです。

We further discuss the applications of graph neural networks across various domains and summarize the open source codes, benchmark data sets, and model evaluation of graph neural networks. Finally, we propose potential research directions in this rapidly growing field.

和訳:『さらに我々は様々な領域におけるグラフニューラルネットワークの応用について議論し、オープンソースのコードやベンチマークのデータセットやグラフニューラルネットワークのモデルの評価をまとめた。最終的に我々はこの急速に発展する領域における研究の方向性の可能性についてまとめた。』
研究を整理した上で将来研究の可能性についてまとめられており、ざっくり概要を掴むにはちょうど良い内容となっているようです。

 

2. まとめ
#1ではサーベイ論文のAbstractの和訳を中心に概要について掴みました。研究の分類や応用などについてまとめられており、ざっくり概要を掴むにはちょうど良い内容となっているようです。
#2では引き続き、Introductionについて確認していきます。