А.М. Пойкалайнен1, Р.А. Кочкаров2

1,2 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 ampojkalajnen@fa.ru, 2 rkochkarov@fa.ru

Постановка проблемы. Графовые нейронные сети (GNN) обычно предполагают гомофилию, что ограничивает их эффективность в условиях гетерофилии, в том числе при наличии ориентированных ребер.

Цель. Проанализировать производительность GNN в условиях гетерофилии и гомофилии с использованием метода AMUD-ADPA на основе данных о действиях пользователей на платформе массовых открытых онлайн-курсов (MOOC).

Результаты. Исследованы существующие методы для анализа графов в условиях гомофилии и гетерофилии. Определено, как и зачем использовать метод AMUD-ADPA для улучшения производительности GNN. Изучены особенности и отличия метода AMUD-ADPA, а также его применение в анализе динамических сетей. Показана эффективность метода в прогнозировании поведения пользователей на онлайн-курсах.

Практическая значимость. Результаты исследования показывают, что метод AMUD-ADPA может существенно улучшить работу GNN в различных топологических условиях. Это открывает новые возможности для анализа данных в таких областях, как системы рекомендаций, где традиционные методы часто оказываются недостаточными. Применение метода AMUD-ADPA может привести к созданию более точных и адаптивных моделей для обработки сложных графовых структур.

Пойкалайнен А.М., Кочкаров Р.А. Применение нейронных сетей для анализа графов со свойствами гомофилии и гетерофилии // Нелинейный мир. 2024. Т. 22. № 4. С. 56–62. DOI: https://doi.org/10.18127/j20700970-202404-07

1. Jiayi Y., Sourav M., Wei Y. Incorporating Heterophily into Graph Neural Networks for Graph Classification. arXiv preprint arXiv:2203.07678. 2024. DOI: https://doi.org/10.48550/arXiv.2203.07678
2. Sun H., Li X., Wu Z., Su D., Li R.-H., Wang G. Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification. arXiv preprint arXiv:2312.04111. 2024. DOI: https://doi.org/10.48550/arXiv.2312.04111
3. URL: https://snap.stanford.edu/data/act-mooc.html . (дата обращения: 04.06.2024)
4. Habr: Графы в рекомендательных системах [часть 1]. 2024. URL: https://habr.com/ru/articles/825896/ (дата обращения: 06.06.2024)
5. Habr: Использование методов анализа графов для поиска аномалий. 2020. URL: https://habr.com/ru/companies/lanit/ articles/508176/ (дата обращения: 06.06.2024)
6. Прокопенко А.А. Применение теории графов к анализу социальных сетей // Педагогический потенциал: Материалы Всероссийской с международным участием науч.-практ. конф., Брянск, 27 ноября 2023 года. Брянск: Брянский государственный инженерно-технологический университет. 2023. С. 237–239.
7. Kipf T.N., Welling M. Semi-Supervised Classification with Graph Convolutional Networks. arXiv preprint arXiv:1609.02907. 2017. DOI: https://doi.org/10.48550/arXiv.1609.02907
8. Velickovic P., Cucurull G., Casanova A., Romero A., Lio P., Bengio Y. Graph Attention Networks. arXiv preprint arXiv:1710.10903. 2018. DOI: https://doi.org/10.48550/arXiv.1710.10903
9. Hamilton W., Ying R., Leskovec J. Inductive Representation Learning on Large Graphs. Advances in Neural Information Processing Systems. 2017. DOI: https://doi.org/10.48550/arXiv.1706.02216
10. Habr: Гиперпараметрический поиск и оптимизация моделей. 2023. URL: https://habr.com/ru/companies/otus/articles/ 754402/ (дата обращения: 09.06.2024)