Обзор методов предсказания связей на графовых нейросетях: от GCN до трансформеров
Исследователи представили всесторонний обзор методов предсказания связей (link prediction) на основе графовых нейронных сетей (GNN). Работа охватывает как технические аспекты, так и прикладные сценарии, предлагая новую классификацию подходов.
Согласно тексту статьи, предсказание связей позволяет восстанавливать пропущенные ребра в графах и прогнозировать будущие соединения. GNN сегодня являются основным инструментом для этой задачи, однако предыдущие обзоры не уделяли достаточного внимания именно базовым архитектурам и разнообразию структур графов.
Авторы предложили таксономию, разделяющую методы по техническому принципу: на основе сверточных сетей (GCN), автокодировщиков (GAE), механизмов внимания (GAT) и архитектур на трансформерах (GFormer). Для каждой группы описаны сильные стороны и ограничения.
В прикладной части обзора выделены два основных домена: графы знаний и рекомендательные системы. В графах знаний предсказание связей используется для выявления неявных фактов, а в рекомендациях — для оценки предпочтений пользователей на основе графа взаимодействий.
Также в работе рассмотрены текущие вызовы, включая масштабирование на большие графы, работу с динамическими структурами и интерпретируемость моделей. Упомянуты перспективные направления, такие как использование больших языковых моделей и обучение с подкреплением.
Обзор подготовлен для архива препринтов arXiv и адресован как исследователям, так и практикам, работающим с графовыми данными. Полный текст доступен по ссылке arXiv:2607.16198.
