Graph Neural Networks: Foundations, Frontiers, and Applications

Dype læringsmodeller står i dag sentralt for forskningen innen kunstig intelligens. Det er godt kjent at dype læringsteknikker har en revolusjonerende effekt på Euklidske data, som bilder eller sekvensdata, men er ikke umiddelbart anvendbare på grafstrukturert data, slik som tekst. Denne kløften har utløst en bølge av forskning innen dyp læring på grafer, inkludert læring av grafrepresentasjoner, grafgenerering og grafklassifisering. De nye nevrale nettverksarkitekturene for grafstrukturert data, kjent som graf-nevrale nettverk (GNN), har vist seg å prestere bemerkelsesverdig godt på disse oppgavene, med applikasjoner innen sosiale nettverk, bioinformatikk og medisinsk informatikk. Til tross for disse suksessene, står GNN-er overfor mange utfordringer, fra grunnleggende metoder til teoretisk forståelse av kraften bak læring av grafrepresentasjoner. Denne boken gir en omfattende introduksjon til GNN-er. Den diskuterer først målene med læring av grafrepresentasjoner, før den går videre til å gjennomgå historien og nåtiden.