Какие существуют методы анализа графовых моделей в современных алгоритмах машинного обучения?

Некоторые методы анализа графовых моделей в современных алгоритмах машинного обучения:

• Матричные разложения. 1 Общая идея — представить граф в виде матрицы и разложить её. 1 Примеры методов: Locally Linear Embedding, Laplacian Eigenmaps, Cauchy Graph Embedding. 1
• Случайные блуждания. 14 К таким методам относятся, например, DeepWalk и node2vec. 4 Они полагаются на прямое кодирование с использованием собственного декодера. 4 В качестве меры оптимизации выступает алгоритм, который оптимизирует представление для кодирования статистики случайных прогулок. 4
• Максимизация вероятности восстановления рёбер. 1 Идея — вероятностная модель, объясняющая появление рёбер графа. 1 Параметры модели (они же представления вершин) задают вид распределения. 1 Обучение модели заключается в максимизации вероятности наблюдаемых рёбер графа. 1
• Графовые нейронные сети (GNN). 1 Идея — обучать представления на основе структуры и атрибутов вершин одновременно с помощью нейросети. 1 GNN обучается под конкретную задачу (классификация, предсказание ребра и т. д.). 1
• Вложения узлов (Node Embeddings). 3 Эти алгоритмы вычисляют векторные представления узлов в графе. 3
• Классификация узлов (Node Classification). 3 Этот алгоритм использует машинное обучение для прогнозирования классификации узлов. 3
• Прогнозирование ссылок (Link prediction). 3 Эти алгоритмы используют машинное обучение для прогнозирования новых связей между парами узлов. 3