グラフニューラルネットワーク(グラフニューラルネットワーク)

グラフニューラルネットワークの理論から応用先、実装の知識まで修得できる!
深層学習をグラフ (ネットワーク) で表される構造データに対して適用するための研究が盛んになっています。グラフ中の頂点やグラフ全体を高精度に分類できれば、高度な画像認識、推薦システム、交通量予測、化合物分類、さらには新型コロナウイルス (COVID-19) への対処のための応用なども期待できます。
本書では、グラフニューラルネットワークの基本的な知識および研究事例について説明し、 PyTorch による実装について紹介するとともに、今後の学習のための情報源についても解説します。
はじめに
第 1 章 グラフニューラルネットワークとは
第 2 章 グラフエンベディング
第 3 章 グラフにおける畳み込み
第 4 章 関連トピック
第 5 章 実装のための準備
第 6 章 PyTorch Geometric による実装
第 7 章 今後の学習に向けて
おわりに

ソーシャルネットワーク、分子構造、交通網のように、世の中のデータは表形式や画像に収まらない「グラフ (ネットワーク) 構造」を持つものが少なくありません。グラフニューラルネットワーク (GNN) はそうした構造データを直接扱う深層学習の枠組みですが、日本語でまとまった書籍がほとんどなかった領域です。東京工業大学の村田剛志による本書 (オーム社) は、 GNN の理論と代表的なモデルを一冊で見通せる数少ない日本語文献です。

グラフ理論の基礎、 GCN (Graph Convolutional Network) 、 GraphSAGE 、 GAT (Graph Attention Network) といった主要アーキテクチャを数式と図で追い、ノード分類・リンク予測・グラフ分類などのタスクへの応用を解説しています。著者はネットワーク科学・データマイニングを専門としており、理論的な記述が丁寧である一方、読みこなすには線形代数と基本的なニューラルネットワークの知識が前提になります。

CNN や RNN を一通り学んだ後に、画像やテキスト以外の構造データへ深層学習を適用したい研究者・大学院生が対象です。実装フレームワーク (PyTorch Geometric など) のチュートリアルとは性格が異なり、モデルの背景にある数学的動機を理解するための理論書として位置づけるとよいでしょう。