すべてのデータがグリッドに収まるわけではありません。ソーシャルネットワーク、分子、道路地図などは、ピクセルやシーケンスではなく、ノードとエッジを持つグラフです。グラフニューラルネットワークは、この構造に直接作用し、接続されたノード間でメッセージをやり取りすることで表現を学習します。

中核となる動作はメッセージパッシングです。各ノードは近隣ノードから情報を集約し、自身の表現を更新し、これを数回繰り返します。十分な階層を経て、各ノードは自身の近隣ノードからの情報をエンコードします。

一般的なグラフタスク

• ノード分類
• リンク予測
• グラフ分類
• 接続の推奨
• 分子特性の予測

スケーリングは課題です。大規模なグラフは数百万のノードとエッジを持ち、フルバッチ学習はメモリに収まりません。サンプリング技術やミニバッチ法を用いることで学習は可能になりますが、精度は多少犠牲になります。