メインページ

第9章 GNNの枠を超えて：その他のグラフ深層学習モデル

はじめに

深層学習モデルには，畳み込みニューラルネットワーク（CNN），リカレントニューラルネットワーク（RNN），オートエンコーダー，敵対的生成ネットワーク（GAN）など多くのモデルがある． これらのモデルによって様々な種類のデータに対応できる． 例えば，CNNは画像のような規則的な格子状のデータを処理することができ，RNNはテキストのような連続したデータを処理することができる． また，優れたCNNやRNNを学習させるためには，大量のラベル付きデータが必要だが（教師あり学習），オートエンコーダーやGANはラベルのないデータのみでも複雑なパターンを抽出することができる（教師なし学習）． これらの多様なアーキテクチャにより，深層学習技術は画像処理，自然言語処理，データマイニング，情報検索など多くの分野に応用されている．

これまでの章では，単純グラフや複雑グラフを対象とした様々なグラフニューラルネットワーク（GNN）を紹介してきた． しかし，これらのモデルはノード分類やグラフ分類といったタスクに対してのみ開発されており，学習にラベル付きデータを必要とすることが多い． そこで，グラフ構造を持つデータに対して，より多様なアーキテクチャを適用する試みがなされてきた． 例えば，オートエンコーダーを，グラフデータにおけるノード表現の学習に用いた研究がある(Wang et al., 2016; Kipf and Welling, 2016b; Pan et al., 2018)． また，変分オートエンコーダーや敵対的生成ネットワークなどの深層生成モデルも，ノード表現の学習（Kipf and Welling, 2016b; Pan et al., 2018; Wang et al., 2018a）およびグラフ生成（Simonovsky and Komodakis, 2018; De Cao and Kipf, 2018）に用いられている． これらの深層グラフモデルは，GNNがカバーできない状況下での幅広いタスクに対応でき，グラフの深層学習技術を大きく発展させている． 本章では，深層オートエンコーダー，変分オートエンコーダー，リカレントニューラルネットワーク，敵対的生成ネットワークを含む，グラフに関するより多くの深層モデルを取り上げる．

目次


メインページ