Introduction to Graph Neural Networks

گراف‌ها ساختارهای داده‌ای مفیدی در برنامه‌های پیچیده واقعی مانند مدل‌سازی سیستم‌های فیزیکی، یادگیری اثر انگشت مولکولی، کنترل شبکه‌های ترافیکی و توصیه دوستان در شبکه‌های اجتماعی هستند. -داده‌های نمودار اقلیدسی که حاوی اطلاعات رابطه‌ای غنی بین عناصر هستند و نمی‌توانند توسط مدل‌های یادگیری عمیق سنتی (مانند شبکه‌های عصبی کانولوشنال (CNN) یا شبکه‌های عصبی تکراری (RNN)) به خوبی مدیریت شوند. گره‌ها در نمودارها معمولاً حاوی اطلاعات ویژگی مفیدی هستند که نمی‌توان آن‌ها را در اکثر روش‌های یادگیری بازنمایی بدون نظارت (مانند روش‌های تعبیه‌سازی شبکه) به خوبی مورد بررسی قرار داد. شبکه‌های عصبی گراف (GNN) برای ترکیب اطلاعات ویژگی و ساختار گراف برای یادگیری نمایش بهتر روی نمودارها از طریق انتشار ویژگی و تجمع پیشنهاد شده‌اند. به دلیل عملکرد متقاعد کننده و قابلیت تفسیر بالا، GNN اخیراً به یک ابزار تجزیه و تحلیل گراف به طور گسترده تبدیل شده است.

این کتاب مقدمه ای جامع بر مفاهیم، ​​مدل ها و کاربردهای شبکه های عصبی گراف ارائه می دهد. با معرفی مدل GNN وانیلی شروع می شود. سپس انواع مختلفی از مدل وانیلی مانند شبکه‌های کانولوشن گراف، شبکه‌های برگشتی گراف، شبکه‌های توجه گراف، شبکه‌های باقی‌مانده گراف و چندین چارچوب کلی معرفی می‌شوند. انواع مختلف برای انواع نمودارها و روش های آموزشی پیشرفته نیز گنجانده شده است. در مورد کاربردهای GNN ها، کتاب آنها را به سناریوهای ساختاری، غیرساختاری و غیره دسته بندی کرده و سپس چندین مدل معمولی را برای حل این وظایف معرفی می کند. در نهایت، فصل های پایانی منابع باز GNN و چشم انداز چندین جهت آینده را ارائه می دهند.

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.