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

Некоторые методы анализа графовых моделей в современных алгоритмах машинного обучения:

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