第15章 GNNにおける発展的な応用例
はじめに
第Ⅲ部では，グラフニューラルネットワークの代表的な応用分野として，自然言語処理，画像処理，データマイニング，生化学・ヘルスケアを紹介した． グラフは実世界の多くの応用例におけるデータを自然に表現することができるため，GNNはより発展的な応用に活用することができる．
例えば，最小頂点被覆や巡回セールスマン問題といったグラフ上の多くの組み合わせ最適化問題はNP困難であるが，GNNを用いることで，これらのNP困難問題に対するヒューリスティックな解法を学習することができる． また，グラフはデータフローや制御フローなどいった観点から，プログラムのソースコードを表現することができる． したがって，GNNを用いることでソードコードの表現を学習し，変数の誤用検出やソフトウェアの脆弱性検出など様々なタスクを自動化することに活用することができる． さらに，物理学における力学系においても，物体とその間の関係はしばしばグラフで表現され，GNNを用いることで，力学系の将来の状態を推測することができる．
本章では，これらの発展的でかつ洗練された応用例を紹介し，どのようにGNNが適用されるのかを紹介する．
目次
- 15.1 はじめに
- 15.2 グラフ上の組み合わせ最適化
- 15.3 ソースコード表現の学習
- 15.4 物理学における力学的相互作用系の推論
- 15.5 本章のまとめ
- 15.6 発展的な話題