图学习已迅速发展成为机器学习与人工智能(AI)领域中的一个关键子方向,使得对社交网络、生物学、金融、交通运输和知识表示等领域中复杂关系数据的建模成为可能。图学习的发展始于早期的图论方法,并在图神经网络(GNNs)出现后获得了显著推动。在过去十年中,随着可扩展架构、动态图建模、多模态学习、生成式人工智能、可解释人工智能(XAI)以及负责任人工智能的发展,图学习的适用范围已经扩展到多个复杂的应用场景。
图学习之所以重要,是因为它能够建模复杂的非欧几里得关系,而这类关系通常难以被传统机器学习方法有效捕捉,从而更好地支持诸如药物发现、欺诈检测、推荐系统和科学推理等现实世界应用。然而,为了充分释放图学习的潜力,仍需解决一系列挑战,如可扩展性、泛化能力、异质性、可解释性以及可信性等问题。 本综述对图学习进行了全面介绍,重点关注以下几个关键维度:可扩展图学习、时序图学习、多模态图学习、生成式图学习、可解释图学习和负责任图学习。我们系统回顾了当前处理大规模图结构的高效技术、捕捉时序动态依赖关系的方法、异构数据模态的融合方式、新颖图样本的生成机制,以及提升可解释性以增强信任与透明度的研究进展。同时,我们还探讨了图学习模型在部署过程中所面临的伦理问题,如隐私保护与公平性,以促进其负责任地应用。
此外,我们还识别并讨论了一些新兴主题,特别是图学习与其他AI范式的融合趋势,并对未来发展方向提供了前瞻性见解。本综述旨在为希望深入了解图学习快速演进格局的研究者与实践者提供一份有价值的参考资料。