Обзор методов обучения представлений графов

В последние годы обучение представлений графов стало активно развивающейся областью исследований. Цель обучения представлений графов заключается в построении векторов представления графов, точно отражающих структуру и признаки крупных графов. Это особенно важно, поскольку качество векторов представления графов влияет на их эффективность в последующих задачах, таких как классификация вершин, предсказание связей и обнаружение аномалий. Для построения эффективных векторов представления графов предложено множество методов, которые в целом подразделяются на две категории: традиционные методы встраивания графов и методы на основе графовых нейронных сетей (GNN). Эти методы могут применяться как к статическим, так и к динамическим графам. Статический граф представляет собой один фиксированный граф, тогда как динамический граф изменяется во времени: его вершины и рёбра могут добавляться или удаляться. В данном обзоре рассматриваются методы встраивания графов обеих категорий — традиционные и основанные на GNN — применительно к статическим и динамическим графам, включая последние работы, опубликованные до момента подачи статьи. Кроме того, обобщаются ряд ограничений GNN и предложенные решения для их устранения. Подобное обобщение не было представлено в предыдущих обзорах. Наконец, рассматриваются некоторые открытые и актуальные направления дальнейших исследований.