Graph Neural Networks: Foundations, Frontiers, and Applications

Dyp læring står sentralt i dagens forskning innen kunstig intelligens. Det er velkjent at dype læringsmetoder er revolusjonerende for Euklidiske data, som bilder eller sekvensdata, men de kan ikke brukes direkte på grafstrukturerte data, som tekst. Denne utfordringen har utløst en bølge av forskning som fokuserer på dyp læring på grafer, inkludert graf-representasjonslæring, grafgenerering og grafklassifisering. Nyere nevrale nettverksarkitekturer for grafstrukturerte data, kjent som grafnevrale nettverk (forkortet GNN), har vist seg å være ekstremt effektive på disse oppgavene, som dokumentert gjennom applikasjoner innen sosiale nettverk, bioinformatikk og medisinsk informatikk. Selv om GNN har oppnådd betydelige resultater, står de også overfor mange utfordringer, fra fundamentale metodologier til teoretiske forståelser av kraften i graf-representasjonslæring. Denne boken gir en omfattende introduksjon til GNN-er. Den diskuterer først målene med graf-representasjonslæring og gir deretter en grundig gjennomgang av historien og dagens tilstand innen feltet.