IEEE Transactions on Neural Networks and Learning Systems· 2020Q1· Derleme
Grafik Sinir Ağları Üzerine Kapsamlı Bir İnceleme
A Comprehensive Survey on Graph Neural Networks
- 9.396atıf
- Q1SCImago
- 2020yıl
Kısa özet
Bu inceleme, Grafik Sinir Ağlarını (GNN'ler) kapsamlı bir şekilde ele almakta ve en gelişmiş modelleri tekrarlayan, evrişimli, graf oto kodlayıcı ve uzamsal-zamanlı türlere ayırmaktadır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Veri madenciliği ve makine öğrenimi için Grafik Sinir Ağlarını (GNN'ler) inceler.
- GNN'lerin bir taksonomisini önerir: tekrarlayan, evrişimli, graf oto kodlayıcıları ve uzamsal-zamanlı.
- GNN uygulamalarını çeşitli alanlarda tartışır.
- GNN'ler için açık kaynak kodlarını, referans veri kümelerini ve model değerlendirme yöntemlerini özetler.
- GNN'lerde potansiyel gelecek araştırma yönlerini belirler.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
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. 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. The complexity of graph data has imposed significant challenges on the existing machine learning algorithms. Recently, many studies on extending deep learning approaches for graph data have emerged. In this article, we provide a comprehensive overview of graph neural networks (GNNs) in data mining and machine learning fields. We propose a new taxonomy to divide the state-of-the-art GNNs into four categories, namely, recurrent GNNs, convolutional GNNs, graph autoencoders, and spatial-temporal GNNs. We further discuss the applications of GNNs across various domains and summarize the open-source codes, benchmark data sets, and model evaluation of GNNs. Finally, we propose potential research directions in this rapidly growing field.
Yazarların özeti; kaynağından alınmıştır. IEEE Transactions on Neural Networks and Learning Systems, 2020 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yapay Zeka
Artificial IntelligenceComputer Science