arXiv · 30.07.2026 ·Машинное обучение

Новые протоколы для кросс-задачного обучения на графовых нейросетях

Исследователи представили методологию для эффективного переноса знаний между различными задачами на одном и том же графе, такими как классификация узлов и предсказание связей. Авторы работы выявили несоответствия в существующих подходах к оценке и предложили унифицированные протоколы, которые позволяют более надежно использовать накопленные данные для обучения моделей в условиях ограниченной разметки.

Традиционные методы оценки графовых нейросетей (GNN) часто страдают от несовместимости разбиений данных и различий в правилах негативного сэмплирования. Это затрудняет перенос знаний между задачами, даже если они опираются на одну и ту же структуру графа. Новое исследование формализует процесс кросс-задачного обучения, предлагая стандартизированные предикторы, которые минимизируют риск переобучения и повышают точность предсказаний при смене целевой метрики.

Внедрение предложенных протоколов позволяет разработчикам систем машинного обучения эффективнее использовать структуру графа для решения комплексных задач. Вместо обучения отдельных моделей для каждой задачи, предложенный подход обеспечивает переиспользование признаков и топологических паттернов, что критически важно для анализа сложных сетей, где получение размеченных данных является дорогостоящим процессом.

Ключевые факты

Работа систематизирует подходы к переносу знаний между задачами классификации узлов (NC) и предсказания связей (LP).
Предложены унифицированные протоколы, устраняющие проблемы несовместимых разбиений данных и некорректного негативного сэмплирования.
Исследование направлено на повышение надежности выводов о способности GNN к кросс-задачному обучению.
Методология позволяет эффективнее использовать структуру графа при дефиците размеченных данных для конкретных задач.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Обзор состояния графовых нейронных сетей (GNN) в 2025 году Новый обзорный материал систематизирует развитие графовых нейронных сетей (GNN), которые превратились из узкоспециализированного метода в стандарт для работы с данными, имеющими реляционную структуру. Авторы анализируют дизайн-пространство архитектур, оценивают вычислительную эффективность механизмов передачи сообщений и определяют границы применимости графовых моделей в различных прикладных областях, от анализа социальных сетей до молекулярного моделирования. arXiv · Машинное обучение Асимметричная функция потерь повышает точность GNN в прогнозировании взаимодействий лекарств Исследователи представили метод улучшения графовых нейронных сетей (GNN) для предсказания побочных эффектов при приеме нескольких лекарств одновременно. Использование асимметричной функции потерь (Asymmetric Focal Loss) вместо стандартной бинарной кросс-энтропии позволяет модели эффективнее фокусироваться на сложных клинически значимых взаимодействиях, которые часто игнорируются при обучении на несбалансированных наборах данных. arXiv · Исследования и наука Исследование: как распределение данных влияет на калибровку графовых нейросетей Исследователи проанализировали влияние сдвига распределения данных на калибровку графовых нейронных сетей (GNN). В реальных условиях, где данные постоянно меняются, модели часто теряют связь между предсказанной уверенностью и фактической точностью. Авторы работы выявили критические факторы, вызывающие ошибки калибровки, и предложили подходы, не требующие наличия размеченных данных из целевого распределения для настройки моделей. arXiv · Машинное обучение Новый метод обучения графовых нейросетей для повышения точности классификации Исследователи представили метод Boundary Embedding Shaping, направленный на решение проблемы структурной запутанности в графовых нейронных сетях (GNN). Основная сложность при работе с графами заключается в том, что модели часто агрегируют информацию от семантически нерелевантных соседей, что приводит к зашумлению векторных представлений узлов. Особенно остро эта проблема проявляется для узлов, расположенных вблизи границ классов, где структурный шум размывает границы принятия решений и снижает общую точность классификации. arXiv · Исследования и наука Новый подход к реконструкции генных регуляторных сетей с помощью глубоких вероятностных моделей Исследователи представили новый метод реконструкции генных регуляторных сетей (GRN), объединяющий глубокое обучение и вероятностное моделирование. Подход позволяет эффективнее связывать факторы транскрипции с целевыми генами, преодолевая ограничения традиционных эвристических методов выбора моделей и неполноты эталонных данных, что критически важно для анализа сложных биологических систем и понимания механизмов экспрессии генов на основе полногеномных данных. arXiv · Исследования и наука Новый подход к созданию синтетических данных для интерпретируемости нейросетей Исследователи представили новый метод генерации синтетических наборов данных, предназначенных для тестирования методов интерпретируемости нейронных сетей. Существующие синтетические датасеты часто не отражают сложную иерархическую структуру реальных данных, что ограничивает их применимость при оценке того, как именно модели обучаются распознавать признаки. arXiv · Машинное обучение Новый метод обучения нейросетей без жесткого копирования знаний Исследователи предложили альтернативу традиционному дистилляции знаний (knowledge distillation), где маленькие модели пытаются копировать логиты больших. Проблема в том, что это делает их слишком узкоспециализированными, ухудшая обобщающую способность. arXiv · Исследования и наука Геометрия обучения: почему нейросети сначала запоминают данные, а потом обобщают Исследователи выявили геометрическую причину задержки между запоминанием обучающей выборки и способностью нейросетей к обобщению. Процесс оптимизации через кросс-энтропию вызывает «радиальную инфляцию» скрытых представлений, что препятствует быстрому поиску низкоразмерных алгоритмических структур. Авторы предлагают метод радиального подавления, который ускоряет переход модели от простого заучивания данных к формированию устойчивых алгоритмических закономерностей. arXiv · Машинное обучение Новый подход к моделированию пользователей через мультиреляционные графовые нейросети Исследователи представили метод моделирования поведения пользователей на основе мультиреляционных графовых сверточных сетей (MR-GCN). В отличие от традиционных графовых моделей, которые рассматривают связи как однородные, новый подход учитывает различные типы взаимодействий, что позволяет точнее предсказывать предпочтения и последовательности действий в персонализированных системах, значительно повышая качество рекомендаций и точность профилирования. arXiv · Машинное обучение Новый метод оптимизации нейросимвольных систем через дифференцируемый интерпретатор Исследователи представили метод эффективного обучения нейросимвольных моделей, решающий проблему «узкого горлышка» при подборе параметров. Вместо переобучения каждой программы с нуля, авторы предлагают дифференцировать сам процесс интерпретации кода. Это позволяет оптимизировать непрерывные параметры модели напрямую через градиентный спуск, значительно ускоряя поиск оптимальных структур в задачах научного моделирования и автоматического программирования.

← Все материалы