Некоторые применения графов в машинном и глубинном обучении:

• Классификация и регрессия на молекулярных графах. 1 Имея датасет с размеченными молекулами, можно предсказывать их принадлежность к лекарственной категории и различные химико-биологические свойства. 1
• Классификация вершин графа. 1 Например, имея частичную разметку, можно восстановить метки неразмеченных вершин, например, предсказать интересы нового пользователя по интересам его друзей. 1
• Кластеризация графа. 1 Например, имея граф цитирований, можно выделить в нём подгруппы соавторов или выделить области исследования. 1
• Предсказание пропущенных связей в графе. 1 В больших графах часто некоторые связи отсутствуют, например, в социальном графе пользователь может добавить не всех знакомых в друзья. 1
• Интерпретация сцены на изображении. 2 Помимо распознавания объектов модели глубокого обучения применяются для прогнозирования отношений между ними. 2
• Согласование изображений. 2 Лежит в основе нескольких приложений в компьютерном зрении, включая восстановление 3D-структуры, одновременную локализацию и построение карты, обнаружение изменений. 2
• Комбинаторная оптимизация. 2 Многие задачи из области логистики, экономики и энергетики можно описать с помощью графов и решить с использованием графовых нейронных сетей. 2