آشنایی با شبکه‌های عصبی گراف ۲۰۲۲
Introduction to Graph Neural Networks 2022

گراف‌ها ساختارهای داده‌ای مفیدی در کاربردهای پیچیده دنیای واقعی هستند، مانند مدل‌سازی سیستم‌های فیزیکی، یادگیری اثر انگشت مولکولی، کنترل شبکه‌های ترافیک و پیشنهاد دوستان در شبکه‌های اجتماعی. با این حال، این وظایف مستلزم برخورد با داده‌های گرافی غیر اقلیدسی هستند که حاوی اطلاعات رابطه‌ای غنی بین عناصر است و توسط مدل‌های یادگیری عمیق سنتی (به عنوان مثال، شبکه‌های عصبی کانولوشنال (CNN) یا شبکه‌های عصبی بازگشتی (RNN)) به خوبی قابل اداره نیستند. گره‌ها در گراف‌ها معمولاً حاوی اطلاعات ویژگی مفیدی هستند که در اکثر روش‌های یادگیری بازنمایی بدون نظارت (به عنوان مثال، روش‌های تعبیه شبکه) به خوبی مورد توجه قرار نمی‌گیرند. شبکه‌های عصبی گراف (GNN) برای ترکیب اطلاعات ویژگی و ساختار گراف به منظور یادگیری بازنمایی‌های بهتر روی گراف‌ها از طریق انتشار و تجمیع ویژگی‌ها پیشنهاد شده‌اند. به دلیل عملکرد قانع‌کننده و قابلیت تفسیر بالا، GNN اخیراً به یک ابزار تجزیه و تحلیل گراف پرکاربرد تبدیل شده است.

این کتاب مقدمه‌ای جامع بر مفاهیم اساسی، مدل‌ها و کاربردهای شبکه‌های عصبی گراف ارائه می‌دهد. با معرفی مدل GNN وانیلی شروع می‌شود. سپس چندین نوع از مدل وانیلی مانند شبکه‌های عصبی کانولوشنال گراف، شبکه‌های عصبی بازگشتی گراف، شبکه‌های توجه گراف، شبکه‌های پسماند گراف و چندین چارچوب کلی معرفی می‌شوند. انواع مختلف برای انواع گراف مختلف و روش‌های آموزش پیشرفته نیز گنجانده شده است. در مورد کاربردهای GNN، کتاب آنها را به سناریوهای ساختاری، غیرساختاری و سایر سناریوها دسته‌بندی می‌کند و سپس چندین مدل معمولی را در حل این وظایف معرفی می‌کند. در نهایت، فصل‌های پایانی منابع باز GNN و چشم‌انداز چندین مسیر آینده را ارائه می‌دهند.

Graphs are useful data structures in complex real-life applications such as modeling physical systems, learning molecular fingerprints, controlling traffic networks, and recommending friends in social networks. However, these tasks require dealing with non-Euclidean graph data that contains rich relational information between elements and cannot be well handled by traditional deep learning models (e.g., convolutional neural networks (CNNs) or recurrent neural networks (RNNs)). Nodes in graphs usually contain useful feature information that cannot be well addressed in most unsupervised representation learning methods (e.g., network embedding methods). Graph neural networks (GNNs) are proposed to combine the feature information and the graph structure to learn better representations on graphs via feature propagation and aggregation. Due to its convincing performance and high interpretability, GNN has recently become a widely applied graph analysis tool.

This book provides a comprehensive introduction to the basic concepts, models, and applications of graph neural networks. It starts with the introduction of the vanilla GNN model. Then several variants of the vanilla model are introduced such as graph convolutional networks, graph recurrent networks, graph attention networks, graph residual networks, and several general frameworks. Variants for different graph types and advanced training methods are also included. As for the applications of GNNs, the book categorizes them into structural, non-structural, and other scenarios, and then it introduces several typical models on solving these tasks. Finally, the closing chapters provide GNN open resources and the outlook of several future directions.