В последние десятилетия графы стали важным инструментом в машинном обучении, позволяя моделировать сложные взаимосвязи между объектами. История графовой теории начинается с вопроса Леонарда Эйлера о пересечении семи мостов Кёнигсберга, что положило начало формальной математике графов.
С 1996 года, когда Ларри Пейдж и Сергей Брин разработали алгоритм PageRank для поиска в Google, графовые алгоритмы пережили настоящий бум. Работа таких исследователей, как Брайан Пироззи из Google, привела к созданию DeepWalk, который объединил графовые данные с нейросетями, и это стало прорывом в области графового анализа.
С введением графовых свёрточных сетей (GCNs) и сетей передачи сообщений, графовое обучение стало важным инструментом в таких областях, как предсказание трафика, моделирование распространения заболеваний и даже изучение молекул.
Совсем недавно, инструменты типа TensorFlow GNN облегчили разработку и обучение графовых нейронных сетей. Графовое обучение в паре с большими языковыми моделями (LLMs) открывает новые горизонты в понимании взаимосвязей, что может оказать сильное влияние на биологию и химию в будущем.