978-5-908083-47-8 10.31483/a-10812 Образование, инновации, исследования как ресурс развития сообщества Education, innovation, research as a resource for community development

В сборнике представлены статьи участников III Всероссийской научно-практической конференции с международным участием, посвященные актуальным вопросам образовательных процессов. В материалах сборника приведены результаты теоретических и прикладных изысканий представителей научного и образовательного сообщества в области образования. Статьи представлены в авторской редакции.

 Мурзина Жанна Владимировна Murzina Zhanna Vladimirovna https://orcid.org/0000-0003-1322-0515 jinnist@yandex.ru Егорова Анна Семёновна Egorova Anna Semenovna https://orcid.org/0000-0002-3603-171X annaerenar@mail.ru Мурзина Жанна Владимировна Murzina Zhanna Vladimirovna https://orcid.org/0000-0003-1322-0515 Егорова Анна Семёновна Egorova Anna Semenovna https://orcid.org/0000-0002-3603-171X Игнатьева Светлана Геннадьевна Ignateva Svetlana Gennadyevna Кузнецов Александр Валерьянович Kuznetsov Alexander Valeryanovich https://orcid.org/0000-0002-8740-1610 Малова Ольга Николаевна Malova Olga Nikolaevna Образование, инновации, исследования как ресурс развития сообщества Education, innovation, research as a resource for community development 16 12 2025 Чебоксары ИД «Среда» 1900 Copyright © Трегубов Ю. А., Алифиренко А. И., Сергеев А. Э., 2025 2025 This work is licensed under a Creative Commons Attribution 4.0 License. 152580 Машинное обучение на графах: эволюция методов анализа структурных данных в цифровую эпоху Mashinnoe obuchenie na grafakh: evoliutsiia metodov analiza strukturnykh dannykh v tsifrovuiu epokhu Трегубов Юрий Алексеевич Tregubov Iurii Alekseevich yurikaleksey@gmail.com Алифиренко Алексей Игоревич Alifirenko Aleksei Igorevich ysfizz1k@gmail.com Сергеев Александр Эдуардович Sergeev Aleksandr Eduardovich galua1979@yandex.ru 058jafb94 ФГБОУ ВО «Кубанский государственный аграрный университет им. И.Т. Трубилина» Россия 058jafb94 the Kuban State Agrarian University Russia 86 88

в статье исследуется становление и развитие методов машинного обучения на графах как самостоятельного направления искусственного интеллекта, возникшего на стыке теории графов, нейронных сетей и анализа сложных систем. С позиций историко-научного подхода прослеживается трансформация представлений об обработке структурированных данных с начала XXI в. до настоящего времени: от ранних алгебраических методов до современных архитектур графовых нейронных сетей (GNN). Анализируются ключевые концепции, такие как агрегация сообщений, механизмы внимания и встраивание вершин, в контексте их практического применения в социальных сетях, биоинформатике и городском планировании. Особое внимание уделяется парадигматическим сдвигам, обусловленным появлением фреймворков глубокого обучения, а также этическим и техническим вызовам, сопровождающим внедрение этих технологий. Показано, что машинное обучение на графах не только расширило границы анализа связанных данных, но и переосмыслило саму природу «структурной информации» в цифровую эпоху.

 глубокое обучение машинное обучение на графах графовые нейронные сети анализ сетевых структур встраивание вершин алгоритмы агрегации References Чунг Ф.Р.К. Спектральная теория графов = Spectral Graph Theory / Ф.Р.К. Чунг. – Провиденс: Изд-во Американского математического общества, 1997. – 224 с. Спектральная теория графов = Spectral Graph Theory Провиденс Изд-во Американского математического общества Кипф Т.Н. Полуобучаемая классификация с использованием графовых сверток = Semi-Supervised Classification with Graph Convolutional Networks / Т.Н. Кипф, М. Веллинг // Труды Междунар. конф. по обучению представлений (ICLR). – 2017. – С. 1–14. Кипф Т. Н. Веллинг М. Полуобучаемая классификация с использованием графовых сверток = Semi-Supervised Classification with Graph Convolutional Networks 1 14 Гамильтон У.Л. Индуктивное обучение представлений на крупных графах = Inductive Representation Learning on Large Graphs / У.Л. Гамильтон, Р. Ин, Ю. Лесковец // Advances in Neural Information Processing Systems. – 2017. – Т. 30. – С. 1024–1034. Гамильтон У. Л. Лесковец Ю. Индуктивное обучение представлений на крупных графах = Inductive Representation Learning on Large Graphs Advances in Neural Information Processing Systems 2017 30 1024 1034 Графовые сети внимания = Graph Attention Networks / П. Величкович [и др.] // Труды Междунар. конф. по обучению представлений (ICLR). – 2018. – С. 1–12. Величкович П. Графовые сети внимания = Graph Attention Networks 1 12 Нейронная передача сообщений для квантовой химии = Neural Message Passing for Quantum Chemistry / Гилмер Дж [и др.] // Труды Междунар. конф. по машинному обучению (ICML). – 2017. – Т. 70. – С. 1263–1272. Нейронная передача сообщений для квантовой химии = Neural Message Passing for Quantum Chemistry 1263 1272 Графовые нейронные сети: всеобъемлющий обзор = A Comprehensive Survey on Graph Neural Networks / У Ц [и др.] // IEEE Transactions on Neural Networks and Learning Systems. – 2020. – Т. 32. №1. – С. 4–24. Графовые нейронные сети: всеобъемлющий обзор = A Comprehensive Survey on Graph Neural Networks IEEE Transactions on Neural Networks and Learning Systems 2020 32 1 4 24 Графовые нейронные сети: обзор методов и приложений = Graph Neural Networks: A Review of Methods and Applications / Чжоу Дж [и др.] // AI Open. – 2020. – Т. 1. – С. 57–81. – DOI 10.1016/j.aiopen.2021.01.001. – EDN KXNBDU Графовые нейронные сети: обзор методов и приложений = Graph Neural Networks: A Review of Methods and Applications AI Open 2020 1 57 81 10.1016/j.aiopen.2021.01.001 KXNBDU Зитник М. Моделирование побочных эффектов полифармации с помощью графовых сверточных сетей = Modeling Polypharmacy Side Effects with Graph Convolutional Networks / М. Зитник, М. Агравал, Ю. Лесковец // Bioinformatics. – 2018. Т. 34. №13. – С. i457–i466. Зитник М. Агравал М. Лесковец Ю. Моделирование побочных эффектов полифармации с помощью графовых сверточных сетей = Modeling Polypharmacy Side Effects with Graph Convolutional Networks Bioinformatics 2018 34 13 Гамильтон У.Л. Обучение представлений графов = Graph Representation Learning / У.Л. Гамильтон. – Сан-Рафаэль: Morgan & Claypool Publishers, 2020. 168 с. Гамильтон У. Л. Обучение представлений графов = Graph Representation Learning Фей М. Быстрое обучение представлений графов с использованием PyTorch Geometric = Fast Graph Representation Learning with PyTorch Geometric / М. Фей, Ю.Э. Ленсен // Материалы семинара ICLR. – 2019. – С. 1–8. Фей М. Ленсен Ю. Э. Быстрое обучение представлений графов с использованием PyTorch Geometric = Fast Graph Representation Learning with PyTorch Geometric 1 8 Геометрическое глубокое обучение: сетки, группы, графы, геодезические и калибровки = Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges / М.М. Бронштейн [и др.]. – 2021. arXiv:2104.13478. Бронштейн М. М. Геометрическое глубокое обучение: сетки, группы, графы, геодезические и калибровки = Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges