グラフニューラルネットワーク（GNN）は、リンク予測の主要なパラダイムとして登場し、欠落した接続の推論や将来のリンクの予測を可能にしています。しかし、既存のレビューでは、基盤となるGNNアーキテクチャや多様なグラフ構造の体系的な探求が不足しています。このギャップを埋めるため、Chengcheng Sunら8名の研究者による論文「A Survey on GNN-based Link Prediction: Techniques, Applications, and Challenges」（arXiv:2607.16198）が提出されました。本論文はWIREs: Data Mining and Knowledge Discovery誌に受理されており、新しいGNNの視点から包括的なレビューを提供します。
研究者らは、技術と応用の2つの軸に基づく革新的な分類法を提案しています。技術面では、グラフ畳み込みネットワーク（GCN）、グラフオートエンコーダ（GAE）、グラフ注意ネットワーク（GAT）、グラフTransformer（GFormer）の4つの主要なGNNエンコーダアーキテクチャに焦点を当てています。GCNは近傍集約によりノード表現を学習し、同種グラフに優れています。GAEはエンコーダ-デコーダ構造を用いた教師なし学習を行います。GATは注意機構により重要な隣接ノードに重みを付けることができ、GFormerはTransformerをグラフデータに拡張し、長距離依存関係を捉えます。論文は各アーキテクチャの強みと限界を詳細に議論し、具体例を挙げています。
応用面では、知識グラフと推薦システムにおけるリンク予測の顕著なユースケースを紹介しています。知識グラフでは欠落した事実の補完に、推薦システムではユーザーとアイテム間の潜在的な相互作用の予測に活用され、実世界での影響を示しています。
さらに、動的グラフや異種グラフへの対応、トレーニングデータのスパース性といった現在の課題を分析し、自己教師あり学習、事前学習モデル、分野横断的な転移学習などの有望な将来方向を議論しています。本論文の最終版はジャーナルウェブサイトで公開され、関連する論文リストやコードはGitHubで公開されています。この体系的な作業は、研究者やエンジニアに貴重な参考資料を提供し、リンク予測におけるGNNのさらなる発展に貢献するでしょう。