Графы в машинном обучении

Магистратура 2025/2026

Статус: Курс по выбору (Современные компьютерные науки)

Кто читает: Базовая кафедра Яндекс

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Великонивцев Федор Сергеевич, Платонов Олег Александрович

Язык: русский

Кредиты: 6

Дополнительные материалы в LMS Задать вопрос

Аннотация

Графы представляют собой весьма удобную структуру данных, так как с одной стороны позволяют моделировать весьма разнообразные процессы (тезис “Everything can be a network”), с другой - абстрагироваться от ненужных деталей, тем самым поднимая эффективность. Целью данного курса является демонстрация текущих возможностей по работе с графами, с точки зрения анализа данных. По результатам прохождения курса, студенты освоят как ощутимый теоретический базис, на котором строятся современные подходы работы с сетями, так и практические методы, применяемые в реальных приложениях. Даже классические методы машинного обучения зачастую можно улучшить, привнеся туда характеристики, извлеченные из соответствующих графов.

Цель освоения дисциплины

Во многих приложениях машинного обучения можно столкнуться с данными, в которых известны связи между объектами: пользователи социальных сетей связаны через подписки, сайты в интернете — через ссылки, научные публикации — через цитирования, пользователи маркетплейсов и товары — через покупки, атомы молекул — через химические связи. Такие данные можно представить в виде графов. Машинное обучение на данных с графовой структурой (graph machine learning) — область, которая очень активно развивается в последние несколько лет. В этом курсе мы обсудим, в каких задачах машинного обучения возникают графы, и как эффективно работать с такими данными. Мы разберем как классические подходы, так и различные варианты современных графовых нейронных сетей. Рассмотренные в курсе методы используются для решения таких задач как рекомендации друзей/контента/товаров, выявление мошенников в интернете и социальных/транзакционных сетях, показ рекламы, информационный поиск, моделирование дорожного траффика, прогнозирование погодных условий, управление цепями поставок, предсказание свойств молекул, комбинаторная оптимизация, быстрый поиск ближайших соседей в пространствах высокой размерности.

Планируемые результаты обучения

Понимать основные методы анализа графов и их применения Использовать алгоритмы для классификации узлов и предсказания связей Применять графовые нейронные сети и понимать их ограничения Решать задачи классификации графов и обнаружения сообществ Работать с большими графами и выбирать масштабируемые методы Применять графовые модели в задачах оптимизации, поиска и анализа сетей