День 4: Graph ML или когда у графа появляется время
День 4: Graph ML или когда у графа появляется время До сих пор мы смотрели на граф почти как на фотографию: узлы есть, рёбра есть, GNN собирает информацию от соседей. Но реальный граф живёт во времени. Например: 👉 клиент переводит деньги, 👉 пользователь кликает товар, 👉 устройство подключается к сети, 👉 самолёт прилетает в аэропорт, и здесь вопрос уже не только «кто с кем связан?», но и «когда это произошло и что было перед этим?» Для таких задач используют Temporal GNN, а одна из известных архитектур — TGN (Temporal Graph Networks) --> события подаются последовательно, состояние узлов обновляется, а модель сохраняет память о прошлых взаимодействиях. В PyTorch Geometric для работы с такими потоками есть TemporalData, TemporalDataLoader и TGNMemory, то есть события можно обрабатывать во временном порядке, а не превращать историю в один замороженный граф. Но если задача звучит уже как «не просто что произойдёт, а когда?», появляется hazard, то есть условная интенсивность наступления события в момент времени при условии, что до этого момента оно ещё не произошло. В дискретной постановке это можно читать проще, а именно какова вероятность события в следующем временном интервале, если его пока не было? Например, для аэропорта нам уже мало класса заражён / не заражён: интереснее получить риск заражения через 10, 30 или 60 минут и из него построить survival-функцию, то есть вероятность, что событие ещё не наступит к моменту t. И здесь всё красиво складывается, потому что Temporal GNN кодирует, как меняется граф, а survival/hazard-модель оценивает риск события во времени. В антифроде это может быть риск мошеннической операции в ближайшие минуты, в кибербезопасности — вероятность атаки после цепочки событий, в рекомендациях — вероятность следующего действия пользователя, а в эпидемиологических графах — время до распространения события по сети. В общем даём Вам время это всё осознать и принять , а завтра закроем эту большую тему не менее важными нюансами, поэтому оставайтесь с нами. #GraphML #GNN #TemporalGNN #TGN #SurvivalAnalysis #Hazard #MachineLearning #Нейроманка