그래프 학습은 기계 학습 및 인공 지능의 중요한 하위 분야로 빠르게 발전해 왔습니다. 초기 그래프 이론적 방법에서 시작하여 그래프 신경망(GNN)의 등장과 함께 큰 발전을 이루었습니다. 지난 10년 동안 확장 가능한 아키텍처, 동적 그래프 모델링, 멀티모달 학습, 생성 AI, 설명 가능한 AI(XAI) 및 책임 있는 AI의 발전으로 그래프 학습의 적용 범위가 다양한 어려운 환경으로 확장되었습니다. 그래프 학습은 전통적인 기계 학습이 포착하기 어려운 복잡하고 비유클리드 관계를 모델링하여 약물 발견, 사기 탐지, 추천 시스템, 과학적 추론 등 실제 응용 프로그램을 더 잘 지원한다는 점에서 중요합니다. 하지만 확장성, 일반화, 이질성, 해석 가능성, 신뢰성과 같은 과제를 해결해야 잠재력을 최대한 발휘할 수 있습니다. 이 연구는 확장 가능, 시계열, 멀티모달, 생성, 설명 가능 및 책임 있는 그래프 학습을 포함한 주요 차원에 초점을 맞춰 그래프 학습에 대한 포괄적인 소개를 제공합니다. 대규모 그래프를 효율적으로 처리하고, 동적 시간 종속성을 캡처하고, 이질적인 데이터 모달리티를 통합하고, 새로운 그래프 샘플을 생성하고, 신뢰와 투명성을 높이기 위해 해석 가능성을 향상시키는 최첨단 기술을 검토합니다. 또한 개인 정보 보호 및 공정성과 같은 윤리적 고려 사항을 탐구하여 그래프 학습 모델의 책임 있는 배포를 보장합니다. 또한, 새로운 주제를 파악하고 논의하며, 그래프 학습과 다른 AI 패러다임의 최근 통합을 강조하고 미래 방향에 대한 통찰력을 제공합니다. 이 연구는 빠르게 진화하는 그래프 학습 분야를 탐색하려는 연구자와 실무자에게 유용한 자료가 될 것입니다.
