Graph Neural Networks for Tabular Data Learning: A Survey with Taxonomy and Directions

在这项调查中，我们深入探讨了使用图神经网络（GNN）进行表格数据学习（TDL）的领域，深度学习方法在分类和回归任务中相较于传统方法表现出更优秀的性能。调查强调了深度神经网络TDL方法的一个关键差距：数据实例和特征值之间的潜在相关性被低估了。GNN具有天生的能力，可以对表格数据的不同元素之间的错综复杂的关系和交互进行建模，因此在各种TDL领域中引起了广泛的兴趣和应用。我们的调查系统地审查了设计和实现GNN进行TDL（GNN4TDL）的方法，包括对基础方面的详细调查和GNN-based TDL方法的概述，提供了对其不断发展的全面认识。我们提出了一个关注在GNN-based TDL方法中构建图结构和表示学习的综合分类法。此外，调查还研究了各种训练计划，强调了整合辅助任务以增强实例表示效果的重要性。我们讨论的一个关键部分是专注于GNN在各种GNN4TDL场景中的实际应用，展示了它们的多功能性和影响。最后，我们讨论了限制并提出了未来的研究方向，旨在推动GNN4TDL的进步。这项调查为研究人员和从业者提供了资源，提供了对GNN在革新TDL方面的作用的全面了解，并指向这个有前途的领域未来的创新方向。

本文旨在探讨使用图神经网络（GNN）进行表格数据学习（TDL）时存在的问题，并提供解决方案。具体而言，作者发现当前深度神经网络在TDL中存在潜在的相关性和交互性建模不足的问题。

本文提出使用GNN进行TDL，通过构建图结构和学习表示来解决相关性和交互性建模不足的问题。

该论文提供了一个系统的方法来设计和实现GNN进行TDL，并提供了详细的分类方法，重点介绍了构建图结构和学习表示的方法。此外，该论文还介绍了各种训练计划，并强调了整合辅助任务以提高实例表示效果的重要性。实验中使用了多个数据集，并提供了开源代码。

在这个领域中，最近的相关研究包括： 1. Graph Convolutional Networks for Tabular Data: A Survey 2. TabGNN: A Graph Neural Network for Tabular Data 3. Learning Representations of Sets through Optimized Permutations