2020 Zhou
Graph neural networks: A review of methods and applications
グラフの種類
Directed/Undirected Graphs
有向/無向グラフ
Homogeneous/Heterogeneous Graphs
同種/異種グラフ、 異なる型のノードやエッジが混在するグラフ
Static/Dynamic Graphs
静的/動的グラフ、入力やグラフのトポロジが時間と共に変化するグラフ
タスクの分類
損失関数が評価する対象によってタスクが定まるようだ。全体的に一般の機械学習と同様の問題（分類、回帰、クラスタ化）として定式化でき、リンク予測については学習モデルの出力の値をのものを活用する、という理解でよい？
ノードレベル
ノード分類：ノードをいくつかのクラスに分類
ノード回帰：各ノードの連続値を予測
ノード クラスタリング：ノード群を類似したノードの集合にクラスタ化すること
エッジレベル
エッジ分類
リンク予測
グラフレベル
グラフ分類
グラフ回帰
グラフマッチング
学習方法の分類
これも一般の機械学習問題と同じ概念。
Supervised setting
Semi-supervised setting
inductive setting：
Unsupervised setting
モジュール
伝播モジュール
畳み込み演算子と再帰演算子：隣接ノードからの情報を集計するために利用される
スキップ接続操作：過去のノード表現から情報を収集し、過度の平滑化問題を軽減するために利用される
サンプリングモジュール
グラフが大きい際に利用
プーリングモジュール
応用分野
グラフマイニング：マッチングとクラスタリング
Physics：物理システムのモデリング
化学（Chemistry）：分子指紋、化学反応予測
生物学（Biology)
知識グラフ(Knowledgr Graph)
Generation：グラフの生成
組み合わせ最適化(combination optimizaion)
交通ネットワーク
レコメンデーション：推薦システム
その他
株式市場(stock Market)
文書
テキスト分類、sequence labeling, ニューラル機械翻訳、関係抽出...
画像
社会関係、画像理解、物体認識
セマンティックセグメンテーション
画像内の全画素にラベルやカテゴリを関連付けるディープラーニング (Deep Learning) のアルゴリズムです。特徴的なカテゴリを形成する画素の集まりを認識するために使用されます。たとえば、自動運転車は車両、歩行者、交通標識、歩道、その他の道路の特徴を識別する必要があります。
プログラムの検証