본 게시글은 A Comprehensive Survey on Graph Neural Networks, Zonghan Wu, Shirui Pan 등 을 읽고 작성한 글입니다.
1. Title
A Comprehensive Survey on Graph Neural Networks
2. Abstract
GNNs를 재귀 그래프 신경망(RecGNNs), 그래프 컨볼루션 신경망(ConvGNNs), 그래프 오토인코더(GAEs), 시공간 그래프 신경망(STGNNs)으로 분류하여 각 유형의 대표 모델 및 알고리즘을 설명한다.
3. 목표
GNN의 포괄적 개요 제공 : GNNs의 최신 기술 및 응용 분야 종합 정리
응용 분야 및 자원 : 다양한 분야에서의 GNNs의 활용 사례와 관련된 자원 소개
4. 정리
(1) RecGNNs
그래프 데이터에서 노드 상태를 반복적으로 업데이트하여 안정적인 상태에 도달할 때까지 정보를 확산시키는 방식
각 노드가 이웃 노드와의 정보를 교환하여 노드의 숨겨진 상태를 업데이트하는 과정 반복
이때 수렴성을 보장하기 위해 수축 매핑을 사용
하지만, 계산 비용이 높아 대규모 그래프에서는 비효율적일 수 있다.
(2) ConvGNNs
CNN의 convolution 개념을 그래프에 적용시켰는데, 주로 스펙트럼 기반과 공간 기반으로 나뉜다.
스펙트럼은 고유값 분해를 활용하고, 공간은 노드의 이웃 정보를 직접 활용한다.
그래프의 불규칙성을 처리할 때 좋으며, 다양한 응용 분야에 활용 가능
(3) GAEs
그래프의 노드를 저차원 벡터로 매핑해서 노드간 관계를 보존하는 모델
AE의 인코더와 디코더 구조를 활용해 그래프의 구조 정보 학습
노드 임베딩 문제 해결에 유용하고, 그래프의 구조적 정보를 효과적으로 압축할 수 있다.
(4) STGNNs
그래프 구조와 시간적 변화를 동시에 고려하는 모델로, 교통량 예측/날씨예측 등 시공간 데이터가 중요한 경우에 활용된다.
