グラフ異質性は現実世界のさまざまな応用シナリオに広く存在し、従来のグラフニューラルネットワークでは十分に対処できない課題である。本稿では、グラフ異質性の定量化手法、ベンチマークデータセット、異質性に対応したグラフニューラルネットワークモデル、および関連する学習パラダイムを包括的に整理し、今後の研究課題と展望を提示する。
グラフ構造の頑健な特徴表現を学習することで、グラフニューラルネットワークの敵対的攻撃に対する頑健性を高めることができる。
パラメータ化された Laplacian 行列を提案し、その特性を利用することで、グラフの同質性レベルに応じて拡散範囲を柔軟に調整できるグラフニューラルネットワークを開発した。
グラフ異常検知のためのグラフニューラルネットワークを保護し、異常検知性能を向上させる。
グラフ学習モデルにおける不確実性の表現と処理に関する最新の研究手法を包括的に概説する。
本論文では、大規模グラフデータに対応するため、サブグラフクラスタリングと確率的勾配降下法を組み合わせたグラフ畳み込みニューラルネットワークを提案する。これにより、大規模グラフデータに対する半教師あり ノード分類を効率的に行うことができる。
グラフ構造とグラフ学習タスクの適合性を測る指標を提案し、その有効性を示す。
高次グラフトランスフォーマーの理論的表現力を系統的に分析し、効率的かつ表現力の高い高次グラフトランスフォーマーの設計手法を探索する。
ガウス分布と定常性を仮定することで、グラフィカル・ラッソよりも一般的なグラフ構造を効率的に推定できる。
グラフ学習モデルの選択は重要な課題であり、GLEMOS は即時的なグラフ学習モデル選択を可能にする包括的なベンチマークを提供する。