Graph Neural Networks: Foundations, Frontiers, and Applications

مدل‌های یادگیری عمیق امروزه هسته اصلی تحقیقات هوش مصنوعی هستند. به خوبی شناخته شده است که تکنیک‌های یادگیری عمیق برای داده‌های اقلیدسی، مانند تصاویر یا داده‌های توالی، مخرب هستند و بلافاصله برای داده‌های ساختار یافته نمودار مانند متن قابل اعمال نیستند. این شکاف موجی از تحقیقات را برای یادگیری عمیق در گراف ها، از جمله یادگیری نمایش نمودار، تولید نمودار و طبقه بندی گراف، به راه انداخته است. معماری‌های جدید شبکه‌های عصبی بر روی داده‌های ساختاریافته گراف (شبکه‌های عصبی گراف، به طور خلاصه GNN) عملکرد قابل‌توجهی در این وظایف داشته‌اند که توسط برنامه‌های کاربردی در شبکه‌های اجتماعی، بیوانفورماتیک و انفورماتیک پزشکی نشان داده شده است. علی‌رغم این موفقیت‌ها، GNN‌ها هنوز با چالش‌های زیادی از روش‌شناسی پایه گرفته تا درک نظری قدرت یادگیری نمایش نمودار مواجه هستند.

این کتاب معرفی جامعی از GNN‌ها ارائه می‌کند. ابتدا اهداف یادگیری نمایش نمودار را مورد بحث قرار می دهد و سپس تاریخچه، تحولات فعلی و جهت گیری های آینده GNN ها را بررسی می کند. بخش دوم روش ها و تئوری های اساسی در مورد GNN ها را ارائه و مرور می کند در حالی که بخش سوم مرزهای مختلفی را که بر روی GNN ها ساخته شده اند توضیح می دهد. این کتاب با مروری بر پیشرفت‌های اخیر در تعدادی از برنامه‌های کاربردی با استفاده از GNN به پایان می‌رسد.

این کتاب برای مخاطبان وسیعی از جمله دانشجویان کارشناسی و کارشناسی ارشد، محققان فوق‌دکتری، اساتید و اساتید مناسب است. سخنرانان، و همچنین متخصصان صنعتی و دولتی که در این زمینه تازه کار هستند یا قبلاً دارای پیشینه اولیه هستند اما می خواهند درباره تکنیک ها و کاربردهای پیشرفته و امیدوارکننده بیشتر بیاموزند.

Deep Learning models are at the core of artificial intelligence research today. It is well known that deep learning techniques are disruptive for Euclidean data, such as images or sequence data, and not immediately applicable to graph-structured data such as text. This gap has driven a wave of research for deep learning on graphs, including graph representation learning, graph generation, and graph classification. The new neural network architectures on graph-structured data (graph neural networks, GNNs in short) have performed remarkably on these tasks, demonstrated by applications in social networks, bioinformatics, and medical informatics.  Despite these successes, GNNs still face many challenges ranging from the foundational methodologies to the theoretical understandings of the power of the graph representation learning.

This book provides a comprehensive introduction of GNNs. It first discusses the goals of graph representation learning and then reviews the history, current developments, and future directions of GNNs. The second part presents and reviews fundamental methods and theories concerning GNNs while the third part describes various frontiers that are built on the GNNs. The book concludes with an overview of recent developments in a number of applications using GNNs.

This book is suitable for a wide audience including undergraduate and graduate students, postdoctoral researchers, professors and lecturers, as well as industrial and government practitioners who are new to this area or who already have some basic background but want to learn more about advanced and promising techniques and applications.