L'apprentissage automatique sur graphes est une catégorie de méthodes d'apprentissage automatique permettant de modéliser et d'analyser des données structurées en graphes. Son objectif principal est d'apprendre les relations structurelles et les représentations des caractéristiques au sein des données à partir d'informations telles que les nœuds, les arêtes et leurs attributs. Contrairement à l'apprentissage automatique traditionnel, qui traite principalement des données de grille régulières ou des échantillons indépendants, l'apprentissage automatique sur graphes peut gérer des données présentant des relations interconnectées complexes, comme les réseaux sociaux, les graphes de connaissances, les structures moléculaires, les réseaux de transport et les systèmes de recommandation.

Le développement de l'apprentissage automatique sur les graphes repose sur plusieurs domaines, dont la théorie des graphes, l'analyse des réseaux et l'apprentissage automatique. Les premières recherches s'appuyaient principalement sur des caractéristiques de graphes conçues manuellement et sur des algorithmes de graphes traditionnels pour l'analyse. Avec l'avènement de l'apprentissage profond, les chercheurs ont commencé à explorer les réseaux neuronaux graphiques (GNN), utilisant des réseaux neuronaux pour apprendre directement les représentations des nœuds à partir des structures de graphes. En 2017, des chercheurs de l'Université d'Amsterdam ont publié un article… Classification semi-supervisée avec réseaux convolutifs de graphes Cet article propose le réseau de convolution de graphes (GCN), qui agrège les informations des nœuds voisins grâce à des opérations de convolution de graphes, améliorant ainsi la capacité d'apprentissage semi-supervisé sur les données de graphes, et est devenu l'un des travaux de recherche représentatifs importants dans le domaine des réseaux neuronaux de graphes.

Les méthodes modernes d'apprentissage automatique sur les graphes sont largement utilisées pour des tâches telles que la classification de nœuds, la prédiction de liens, la classification de graphes et le raisonnement relationnel. Grâce au développement des réseaux neuronaux sur les graphes, de l'apprentissage de représentations de graphes et des modèles basés sur les graphes, ce domaine a trouvé des applications en biologie computationnelle, en découverte de médicaments, en graphes de connaissances, en systèmes de recommandation, en cybersécurité et en recherche d'information, offrant ainsi des outils techniques essentiels pour l'analyse de données relationnelles complexes.