Прикладные задачи анализа данных, лекция 9 — Введение в глубинное обучение в анализе графовых данных

YOUTUBE · 28.11.2025 07:25

Ключевые темы и таймкоды

Введение в графовые нейросети

0:00

Видео начинается с объяснения, что такое графы и как они используются в анализе данных.
Графы - это пары, состоящие из множества вершин и ребер, которые показывают реальные взаимодействия в мире.

Примеры графов

3:07

Примеры графов включают схемы метро, социальные графы, схемы трафика, молекулы и графы знаний.
Графы знаний - это направленные графы, которые могут использоваться для создания вопросно-ответных систем.

Применение графовых нейросетей

8:58

Графовые нейросети могут быть использованы для анализа данных, которые не являются последовательными, такими как изображения, текст и аудио.
Графовые нейросети помогают понять структуру данных и их связи между вершинами.

Классификация и регрессия на графах

13:28

В видео обсуждаются три основных типа задач на графах: на уровне ребер, вершин и графа в целом.
Примеры задач на уровне вершин: рекомендательная система, где нужно предсказать вероятность дружбы между пользователями, и задачи регрессионного типа, связанные с генеративными состязательными сетями.

Особенности алгоритмов на графах

17:19

Алгоритмы на графах должны быть устойчивы к перенумерации вершин и уметь работать с графами разных размеров.
Для обучения графовых нейронных сетей можно использовать логистическую регрессию или хэн крафт.

Признаки на уровне вершин

20:19

Степень вершины, центральность, коэффициент кластеризации и другие признаки могут быть использованы для решения задач на графах.
Топология графа может быть использована для подсчета графлетов - комбинаций соединений ребер между вершинами.

Предсказание пропущенных связей

27:10

В видео обсуждаются методы предсказания пропущенных связей в графах, включая случайное удаление ребер и изменение связей во времени.
Предсказание связей может быть использовано для восстановления социальных графов, где люди дружатся, ругаются и добавляют друг друга в друзья.

Графлеты и их использование

30:10

Графлеты - это локальные структуры в графах, которые могут быть использованы для предсказания связей между вершинами.
В видео обсуждаются различные метрики для определения сходства между графлетами, включая локальное пересечение и индекс Каца.

Ядра и их использование

34:01

Ядра - это методы, которые используют усреднение векторов графлетов для определения сходства между графами.
В видео обсуждается использование ядер для определения сходства между графами и их использование в графовых нейросетях.

Графовые нейросети

39:01

Графовые нейросети сохраняют глобальные данные и локальную структуру, но без них обучение может быть затруднено.
Они обладают специфическими свойствами и возможностями, такими как восстановление транзитивности и восстановление свойств графов знаний.

Пейдж ранг

42:52

Пейдж ранг - это алгоритм ранжирования страниц в интернете, основанный на принципе обучения графовых нейросетей.
Интернет - это огромный граф, где страницы являются вершинами, а ссылки - направленными ребрами.
В контексте всего графа, входящие и исходящие ссылки одинаково важны.

Случайные блуждания

49:43

Случайные блуждания - это интуитивная стратегия передвижения по графу с определенной вероятностью в каждую вершину.
Эта стратегия может быть применена к интернету, где пользователь случайно заходит на страницу и кликает по ссылкам.

Обсуждение алгоритма PageRank

51:43

В видео обсуждается алгоритм PageRank, который используется для определения важности страниц в интернете.
Алгоритм основан на случайном блуждании по графу, где каждая страница имеет свой ранг.
В процессе случайного блуждания, ранг страницы может меняться в зависимости от ее важности и связей с другими страницами.

Проблемы с тупиками и циклами

55:34

В видео обсуждаются проблемы с тупиками и циклами в алгоритме PageRank.
Если страница попадает в тупик или цикл, ее ранг может стать бесконечным, что может привести к проблемам с важностью страниц.
Для решения этой проблемы, в видео предлагается использовать концепцию телепортации, которая позволяет пользователю "прыгать" на случайную страницу в интернете.

Рекомендации и персонализация

1:00:34

В видео также обсуждаются возможности использования алгоритма PageRank для рекомендаций и персонализации.
Если пользователь попадает в тупик или цикл, алгоритм может предложить ему рекомендации на основе его истории поиска.
Для этого, в видео предлагается использовать концепцию телепортации, которая позволяет пользователю "прыгать" на случайную страницу в интернете, связанную с его историей поиска.

Графы и нейросети

1:04:25

Обсуждение использования графов и нейросетей для обработки информации и ранжирования.
Упоминается возможность создания рекомендательных систем на основе графов знаний.

Применение графов и нейросетей

1:07:25

Упоминаются успешные применения графов и нейросетей в области лекарств.
Обсуждаются возможности использования графов и нейросетей в рекомендательных системах и социальных сетях.

Курс по графовым нейросетям

1:10:25

Упоминается курс по графовым нейросетям, который будет переработан и разделен на две части.
Упоминается, что курс будет доступен осенью для студентов и слушателей.