بررسی روش های یادگیری بازنمایی در گراف های ناایستا با تغییر توپولوژی

گراف های ناایستا که ساختار و روابط میان گره ها در آن ها در طول زمان تغییر می کند، در بسیاری از حوزه ها مانند شبکه های اجتماعی، سیستم های توصیه گر، زیست اطلاع رسانی و تحلیل تعاملات پیچیده مشاهده می شوند. تغییرات پیوسته در توپولوژی این گراف ها چالش های مهمی برای استخراج بازنمایی های معنادار از گره ها و یال ها ایجاد می کند. روش های یادگیری بازنمایی در گراف های پویا با هدف نگاشت عناصر گراف به بردارهای کم بعد طراحی شده اند تا بتوانند هم ساختار شبکه و هم پویایی زمانی آن را حفظ کنند. رویکردهای موجود عموما در چند دسته اصلی شامل روش های مبتنی بر فاکتورگیری ماتریس، مدل های مبتنی بر گشت تصادفی، شبکه های عصبی گرافی و مدل های زمانی–توالی محور مانند RNN و Transformer قرار می گیرند. هر یک از این رویکردها تلاش می کنند تغییرات توپولوژیکی، ظهور و حذف گره ها و یال ها، و وابستگی های زمانی را به شیوه ای کارآمد مدل سازی کنند. با وجود پیشرفت های اخیر، چالش هایی نظیر مقیاس پذیری، مدل سازی دقیق تغییرات سریع ساختاری و حفظ اطلاعات زمانی بلندمدت همچنان از مسائل مهم در این حوزه به شمار می روند.

کلیدواژه ها:

گراف پویا ، یادگیری بازنمایی گراف ، تغییر توپولوژی ، شبکه های عصبی گرافی ، تعبیه گراف پویا