Представление структурной информации в задачах машинного обучения на графах

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 22-21-00227

НазваниеПредставление структурной информации в задачах машинного обучения на графах

Руководитель Макаров Илья Андреевич, кандидат наук (признаваемый в РФ PhD)

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет "Высшая школа экономики" , г Москва

Конкурс №64 - Конкурс 2021 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами»

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-201 - Искусственный интеллект и принятие решений

Ключевые слова анализ графов, машинное обучение, векторное представление графа, много-классовая классификация, предсказание связей, обнаружение сообществ, анализ социальных сетей

Код ГРНТИ20.53.19

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Методы машинного обучения для структурной информации и рекомендательных систем обычно сводятся к ручному отбору признаков, сэмплированию или матричной факторизации. Такие методы часто привязаны к конкретной задаче и не масштабируемы для работы с большими данными. В последние годы векторные модели представления графов стали активной темой изучения в исследовательском сообществе, более 500 моделей предложено за последние пять лет. Основным их недостатком является отсутствие универсальной конструкции, которая поддерживала работу с разнообразными графами и разными типами признаков для вершин и ребер, при этом обобщая модель на динамически меняющиеся данные и при при этом сохраняя невысокую вычислительную сложность. Указанные задачи являются передовым краем исследований в области представления графов и имеют широкое применение во всех отраслях компьютерных наук; графовые нейронные сети являются наиболее изучаемым объектом исследований в компьютерных науках в 2020-2021 годах. Мы планируем построить несколько типов моделей, которые комбинируют различные подходы на основе сэмплирование окрестностей, структурной схожести, двойственного вложения графа инцидентности и графовых сверточных нейронных сетях для того, чтобы иметь возможность обрабатывать (не)ориентированные (не)взвешенные графы с возможной признаковой информацией у вершин и ребер, а также строить векторные модели с учетом максимизации качества для типовых задач машинного обучения на графах, таких как нахождение сообществ, много-классовая классификация, предсказание ребер и предсказание связей в графе знаний, а также рекомендательным системам. Результаты исследований будут опубликованы в ведущих международных журналах, индексируемых Q1-Q2 в Scopus и Web of Science, а также ведущих международных конференциях уровня A*, A и National по рейтингу Core.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. А. Ященко, И. Макаров Knowledge Retrieval and Relation Mining from Tolkien’s History of Middle Earth IEEE, IEEE, Proceedings of CINTI'22, pp. 1-7 (год публикации - 2022)

2. Д. Киселев, И. Макаров Exploration in sequential recommender systems via graph representations IEEE Access, IEEE Access, Q1 journal, pp. 1-8 (год публикации - 2022)
10.1109/ACCESS.2022.3224816

3. Д. Загидуллина, И. Макаров Outfit Recommendation using Graph Neural Networks via Visual Similarity Springer, Proceedings of the 10th International Conference on Analysis of Images, Social Networks and Texts, revised papers. Lecture Notes in Computer Science, vol 13217. Springer, Cham, pp. 208-222 (год публикации - 2022)
10.1007/978-3-031-16500-9_18

Публикации

1. Н. Северин, А. Савченко, Д. Киселев, М. Иванова, И. Киреев, И. Макаров Ti-DC-GNN: Incorporating Time-Interval Dual Graphs for Recommender Systems Proceedings of ACM RecSys'23 conference, ACM DL, Severin, N., Savchenko, A., Kiselev, D., Ivanova, M., Kireev, I. and Makarov, I., 2023, September. Ti-DC-GNN: Incorporating Time-Interval Dual Graphs for Recommender Systems. In Proceedings of the 17th ACM Conference on Recommender Systems (pp. 919-925). (год публикации - 2023)
10.1145/3604915.3608849

2. А. Оборевич, И. Макаров Iterative Graph Embedding and Clustering Proceedings of IWANN'23 conference, Springer, Oborevich, A. and Makarov, I., 2023, June. Iterative Graph Embedding and Clustering. In International Work-Conference on Artificial Neural Networks (pp. 68-79). Cham: Springer Nature Switzerland. (год публикации - 2023)
10.1007/978-3-031-43085-5_6

3. И. Хумонен, И. Макаров Co-occurrence Networks for Word Sense Induction Proceedings of SAMI'23 conference, IEEE, Humonen, I.S. and Makarov, I., 2023, January. Co-occurrence Networks for Word Sense Induction. In 2023 IEEE 21st World Symposium on Applied Machine Intelligence and Informatics (SAMI) (pp. 000097-000102). IEEE. (год публикации - 2023)
10.1109/SAMI58000.2023.10044503