Une enquête sur les méthodes d'apprentissage de la représentation graphique

L'apprentissage de la représentation graphique a été un domaine de recherche très actif ces dernières années. L'objectif de l'apprentissage de la représentation graphique est de générer des vecteurs de représentation graphique qui capturent la structure et les caractéristiques de grands graphes de manière précise. Cela est particulièrement important car la qualité des vecteurs de représentation graphique affectera les performances de ces vecteurs dans des tâches en aval telles que la classification des nœuds, la prédiction de liens et la détection d'anomalies. De nombreuses techniques ont été proposées pour générer des vecteurs de représentation graphique efficaces, qui se classent généralement en deux catégories : les méthodes d'intégration de graphes traditionnelles et les méthodes basées sur des réseaux de neurones graphiques (GNN). Ces méthodes peuvent s'appliquer aux graphes statiques et dynamiques. Un graphe statique est un graphe fixe unique, tandis qu'un graphe dynamique évolue dans le temps et ses nœuds et arêtes peuvent être ajoutés ou supprimés. Dans cette enquête, nous examinons les méthodes d'intégration de graphes dans les catégories traditionnelle et basée sur GNN pour les graphes statiques et dynamiques, et incluons les travaux récents publiés jusqu'au moment de la soumission. De plus, nous résumons un certain nombre de limitations des GNN et les solutions proposées à ces limitations. Un tel résumé n'a pas été fourni dans les enquêtes précédentes. Enfin, nous explorons certaines directions de recherche ouvertes et en cours pour les travaux futurs.