Краткое содержание

arXiv:2507.05636v2 Тип объявления: замена-перекрёстная публикация Аннотация: Обучение графов быстро превратилось в критически важную субобласть машинного обучения и искусственного интеллекта (ИИ). Его развитие началось с ранних методов теории графов, получив значительное ускорение с появлением нейронных сетей на основе графов (GNN). За последнее десятилетие прогресс в масштабируемых архитектурах, моделировании динамических графов, мультимодальном обучении, генерирующем ИИ, интерпретируемом ИИ (XAI) и ответственном ИИ расширил применимость обучения графов к различным сложным средам. Значимость обучения графов обусловлена его способностью моделировать сложные нелинейные отношения, которые традиционные методы машинного обучения испытывают трудности с воспроизведением, тем самым лучше поддерживая реальные приложения — от поиска лекарств и выявления мошенничества до рекомендательных систем и научного анализа. Однако такие проблемы, как масштабируемость, обобщаемость, гетерогенность, интерпретируемость и надёжность, требуют решения для раскрытия полного потенциала этой технологии.