Графовая нейронная сеть

Материал из MachineLearning.

(Различия между версиями)

Версия 21:41, 25 июля 2026

Содержание

1 История
2 Формальные основания
- 2.1 Представление графа
- 2.2 Три типа задач
3 Передача сообщений
4 Основные архитектуры
5 Обучение
6 Проблемы и ограничения
7 Применения
8 Современные направления
9 См. также
10 Примечания
11 Литература

Гра́фовая нейро́нная сеть (англ. Graph Neural Network, GNN) — класс искусственных нейронных сетей, предназначенных для работы с данными, представленными в виде графа: с вершинами (узлами) и рёбрами, которые задают произвольные, не обязательно регулярные связи между объектами. В отличие от свёрточных нейронных сетей (работающих с сеткой пикселей) и рекуррентных сетей (работающих с последовательностями), графовые нейронные сети обобщают идею локальной свёртки на данные без фиксированной структуры соседства, что делает их естественным инструментом машинного обучения на социальных сетях, молекулах, дорожных сетях, рекомендательных системах, базах знаний и других графовых структурах^[1]^[1].

Ключевая идея GNN — передача сообщений (англ. message passing): каждая вершина итеративно обновляет своё векторное представление (эмбеддинг), агрегируя информацию от своих соседей. После нескольких раундов такого обновления представление вершины отражает не только её собственные признаки, но и структуру её локального (а при достаточной глубине — и более широкого) окружения в графе^[1].

История

Идея применения нейронных сетей к графовым данным восходит к работам конца 1990-х — начала 2000-х годов о рекурсивных нейронных сетях для обработки направленных ациклических графов^[1]. Термин «графовая нейронная сеть» и первая общая формализация модели, способной обрабатывать произвольные (в том числе циклические) графы через итеративный процесс распространения состояния до достижения неподвижной точки, были предложены Марко Гори, Габриэле Монфардини и Франко Скарселли в 2005 году^[1], а в развёрнутом виде — в статье Скарселли и соавторов 2009 года The Graph Neural Network Model^[1].

Современный этап развития начался с переноса идей свёртки на графы. В 2013—2014 годах появились спектральные графовые свёртки, определяемые через спектр графового лапласиана^[1]; в 2016 году Деффар, Брессон и Вандергейнст предложили эффективное приближение спектральных фильтров через полиномы Чебышёва (ChebNet)^[1]. Переломным моментом стала статья Томаса Кипфа и Макса Веллинга 2017 года, упростившая спектральный подход до простого и эффективного слоя — графовой свёрточной сети (GCN)^[1], после чего число публикаций по GNN стало расти экспоненциально. В последующие годы были предложены индуктивная модель GraphSAGE^[1], механизм внимания на графах GAT^[1], единый фреймворк сетей передачи сообщений (MPNN)^[1] и теоретически наиболее выразительная в своём классе графовая изоморфная сеть (GIN)^[1].

Формальные основания

Представление графа

Граф задаётся парой $G = (V, E)$ , где $V$ — множество вершин, а $E \subseteq V \times V$ — множество рёбер. Структуру связей часто удобно описывать матрицей смежности $A$ размера $|V| \times |V|$ , а признаки вершин — матрицей $X \in \mathbb{R}^{|V| \times d}$ , где строка $x_v$ — вектор признаков вершины $v$ . Рёбра также могут иметь собственные признаки (например, тип связи или вес), а граф в целом может быть направленным, взвешенным, гетерогенным (с несколькими типами вершин и рёбер) или динамическим (меняющимся во времени)^[1].

Три типа задач

Задачи, решаемые GNN, обычно делят на три уровня^[1]:

на уровне вершины (англ. node-level) — например, классификация вершин (предсказание категории пользователя в социальной сети) или регрессия на вершинах;
на уровне ребра (англ. edge-level) — например, предсказание связей (англ. link prediction), то есть оценка вероятности существования ребра между двумя вершинами;
на уровне графа (англ. graph-level) — классификация или регрессия над графом целиком, например предсказание свойства молекулы по её структуре.

Передача сообщений

Большинство современных архитектур GNN укладываются в единую вычислительную схему — фреймворк сетей передачи сообщений (англ. Message Passing Neural Networks, MPNN), предложенный Гилмером и соавторами^[1]. На каждом слое $k$ представление $h_v^{(k)}$ вершины $v$ обновляется по правилу

$h_v^{(k)} = \text{UPDATE}^{(k)}\Big(h_v^{(k-1)},\; \text{AGGREGATE}^{(k)}\big(\{\,h_u^{(k-1)} : u \in \mathcal{N}(v)\,\}\big)\Big),$

где $\mathcal{N}(v)$ — множество соседей вершины $v$ , $\text{AGGREGATE}$ — некоторая функция агрегации, инвариантная к порядку элементов множества (например, сумма, среднее, максимум или обучаемая функция внимания), а $\text{UPDATE}$ — обучаемая функция объединения (обычно однослойный перцептрон или рекуррентный блок). Начальное представление обычно полагают равным исходному вектору признаков: $h_v^{(0)} = x_v$ . После $K$ слоёв представление вершины отражает информацию из её $K$ -окрестности (так называемое «рецептивное поле», по аналогии со свёрточными сетями).

Для задач уровня графа итоговые представления вершин объединяются функцией считывания (англ. readout), например суммированием или более сложным дифференцируемым пулингом:

$h_G = \text{READOUT}\big(\{\,h_v^{(K)} : v \in V\,\}\big).$

Основные архитектуры

Спектральные графовые свёрточные сети

Первый подход к обобщению свёртки на графы опирался на теорию обработки сигналов на графах: свёртка определялась как операция в спектральной области, заданной собственными векторами лапласиана графа^[1]. Такой подход требовал дорогостоящего разложения матрицы $O(|V|^3)$ и был плохо переносим между графами разной структуры. Деффар и соавторы предложили аппроксимировать спектральные фильтры полиномами Чебышёва степени $K$ , что позволило вычислять свёртку локально, без явного разложения лапласиана^[1].

Графовая свёрточная сеть (GCN)

Кипф и Веллинг показали, что при ограничении полинома Чебышёва первым порядком спектральный фильтр упрощается до одного линейного слоя, действующего на всю матрицу признаков^[1]:

$H^{(l+1)} = \sigma\Big(\tilde{D}^{-1/2}\,\tilde{A}\,\tilde{D}^{-1/2}\,H^{(l)}\,W^{(l)}\Big),$

где $\tilde{A} = A + I$ — матрица смежности с добавленными петлями (самопересылка), $\tilde{D}$ — соответствующая ей диагональная матрица степеней, $W^{(l)}$ — обучаемая матрица весов слоя, а $\sigma$ — нелинейная функция активации (обычно ReLU). Эта модель, известная как GCN, стала одной из самых цитируемых работ в области и фактическим ориентиром для последующих архитектур благодаря простоте и хорошей масштабируемости^[1].

GraphSAGE

Модель GCN исходно является трансдуктивной: она обучается сразу на всём графе, включая тестовые вершины, и плохо переносится на новые, ранее не виденные вершины. Хэмилтон, Ин и Лесковец предложили GraphSAGE (от SAmple and aggreGatE) — индуктивный подход, в котором для каждой вершины на каждом слое выбирается (сэмплируется) фиксированное число соседей, а функция агрегации обучается один раз и применяется затем к произвольным, в том числе ранее не встречавшимся, вершинам и графам^[1]:

$h_v^{(k)} = \sigma\Big(W^{(k)} \cdot \text{CONCAT}\big(h_v^{(k-1)},\; \text{AGG}_k(\{h_u^{(k-1)} : u \in \mathcal{N}(v)\})\big)\Big).$

Это сделало GNN применимыми к очень большим и постоянно растущим графам, например к промышленным рекомендательным системам^[1].

Графовые сети внимания (GAT)

Велкович и соавторы предложили заменить фиксированные (нормированные по степени) веса соседей на веса, вычисляемые механизмом внимания, — по аналогии с трансформерами^[1]. Коэффициент внимания между вершинами $i$ и $j$ вычисляется как

$\alpha_{ij} = \frac{\exp\big(\text{LeakyReLU}(a^{T}[W h_i \| W h_j])\big)}{\sum_{k \in \mathcal{N}(i)} \exp\big(\text{LeakyReLU}(a^{T}[W h_i \| W h_k])\big)},$

где $W$ и $a$ — обучаемые параметры, а $\|$ — операция конкатенации. Итоговое представление вершины — взвешенная сумма представлений соседей с этими коэффициентами. Такой подход позволяет модели самой определять относительную значимость разных соседей, не завися от нормировки по степени вершины.

Обучение

Трансдуктивная и индуктивная постановки

В трансдуктивном сценарии обучения модель видит весь граф целиком (включая признаки и связи тестовых вершин), но не видит их меток; типичный пример — классификация вершин одного большого графа цитирования. В индуктивном сценарии модель должна уметь строить представления для вершин и графов, отсутствовавших на этапе обучения, — например, для новых пользователей социальной сети или новых молекул^[1].

Функции потерь

Как и в остальном глубоком обучении, параметры GNN оптимизируются методом обратного распространения ошибки и вариантами стохастического градиентного спуска. Выбор функции потерь зависит от задачи: перекрёстная энтропия для классификации вершин, рёбер или графов; среднеквадратичная ошибка для регрессии; при отсутствии размеченных данных применяются задачи самообучения (англ. self-supervised learning), например реконструкция скрытых рёбер или максимизация взаимной информации между локальными и глобальными представлениями графа (Deep Graph Infomax).

Масштабирование на больших графах

Полный проход по всему графу на каждом шаге обучения неприменим для графов из миллионов и миллиардов вершин. Для решения этой проблемы применяются сэмплирование соседей (GraphSAGE)^[1], сэмплирование подграфов (например, кластеризация графа перед формированием мини-пакетов) и другие методы приближённого вычисления градиента.

Проблемы и ограничения

Переобучение сглаживанием (over-smoothing)

При увеличении числа слоёв GNN представления разных, даже далёких друг от друга вершин имеют тенденцию становиться неразличимыми — этот эффект называют переобучением сглаживанием (англ. over-smoothing). Ли, Хань и Ву показали, что операция свёртки в GCN эквивалентна разновидности лапласова сглаживания признаков, из-за чего глубокие GCN быстро теряют дискриминативную способность^[1]. Уно и Судзуки формально доказали, что с ростом глубины информация об исходных признаках и локальной структуре графа экспоненциально затухает, если не используются пропускающие соединения или другие компенсирующие механизмы^[1].

Over-squashing («переобжатие» информации)

Алон и Яхав описали смежную проблему — over-squashing: при передаче сообщений через «узкие места» графа (например, длинные пути или мосты) экспоненциально растущий объём информации из дальней окрестности вынужденно «сжимается» в вектор фиксированной размерности, что искажает или теряет часть сигнала и ограничивает способность GNN учитывать дальние взаимодействия между вершинами^[1].

Устойчивость

Как и другие нейросетевые модели, GNN уязвимы к состязательным (adversarial) возмущениям — небольшим изменениям структуры графа или признаков вершин, способным существенно изменить предсказание модели, что породило отдельное направление исследований по устойчивости и защите графовых моделей.

Применения

Химия и науки о материалах — предсказание физико-химических свойств молекул и поиск новых соединений на основе их графового представления (атомы — вершины, связи — рёбра)^[1].
Структурная биология — GNN-подобные архитектуры, оперирующие графами атомов и остатков и обучающиеся на парных взаимодействиях, стали важной частью системы AlphaFold, позволившей резко повысить точность предсказания трёхмерной структуры белков^[1].
Рекомендательные системы — представление пользователей и товаров как двудольного графа и обучение их эмбеддингов свёрточными GNN легло в основу промышленной системы PinSAGE, применяемой в Pinterest^[1].
Транспортные и дорожные сети — GNN, моделирующая дорожную сеть как граф, используется компанией Google для предсказания времени прибытия (ETA) в сервисе Google Maps^[1].
Социальные сети и анализ графов знаний — классификация пользователей, обнаружение сообществ, предсказание связей и дополнение баз знаний.
Компьютерное зрение и физика — распознавание сцен через графы объектов, моделирование физических систем частиц как взаимодействующих графов (Interaction Networks)^[1].

Современные направления

Среди активных направлений исследований последних лет — графовые трансформеры, объединяющие идеи механизма внимания без ограничения на локальное соседство; согласование GNN с большими языковыми моделями для работы с текстово-атрибутированными графами; и построение так называемых «графовых фундаментальных моделей» — предобученных на разнородных графах моделей, переносимых на новые предметные области без дообучения с нуля^[1].

См. также

Примечания

Ошибка цитирования Входные данные недействительны, так как не предполагаются

Литература

Scarselli F., Gori M., Tsoi A. C., Hagenbuchner M., Monfardini G. The Graph Neural Network Model // IEEE Transactions on Neural Networks. — 2009. — Т. 20. — № 1. — С. 61—80.
Kipf T. N., Welling M. Semi-Supervised Classification with Graph Convolutional Networks // International Conference on Learning Representations (ICLR). — 2017.
Hamilton W. L., Ying R., Leskovec J. Inductive Representation Learning on Large Graphs // Advances in Neural Information Processing Systems (NeurIPS). — 2017. — Т. 30.
Veličković P., Cucurull G., Casanova A., Romero A., Liò P., Bengio Y. Graph Attention Networks // International Conference on Learning Representations (ICLR). — 2018.
Gilmer J., Schoenholz S. S., Riley P. F., Vinyals O., Dahl G. E. Neural Message Passing for Quantum Chemistry // Proceedings of the 34th International Conference on Machine Learning (ICML), PMLR 70. — 2017. — С. 1263—1272.
Xu K., Hu W., Leskovec J., Jegelka S. How Powerful are Graph Neural Networks? // International Conference on Learning Representations (ICLR). — 2019.
Battaglia P. W., Hamrick J. B., Bapst V. и др. Relational inductive biases, deep learning, and graph networks // arXiv preprint. — 2018.
Wu Z., Pan S., Chen F., Long G., Zhang C., Yu P. S. A Comprehensive Survey on Graph Neural Networks // IEEE Transactions on Neural Networks and Learning Systems. — 2021. — Т. 32. — № 1. — С. 4—24.
Zhou J., Cui G., Hu S., Zhang Z., Yang C., Liu Z., Wang L., Li C., Sun M. Graph neural networks: A review of methods and applications // AI Open. — 2020. — Т. 1. — С. 57—81.
Hamilton W. L. Graph Representation Learning. — Morgan & Claypool Publishers, 2020. — ISBN 978-1681739632
Jumper J., Evans R., Pritzel A. и др. Highly accurate protein structure prediction with AlphaFold // Nature. — 2021. — Т. 596. — С. 583—589.
Derrow-Pinion A., She J., Wong D. и др. ETA Prediction with Graph Neural Networks in Google Maps // Proceedings of the 30th ACM International Conference on Information & Knowledge Management (CIKM). — 2021. — С. 3767—3776.

Статья написана с использованием LLM Claude Sonnet 3.5 и проверена участником Dan-Кhaiaa Lakpazhap 20:16, 30 июня 2026 (MSD). Промпт приводится полностью в Обсуждение:Графовая нейронная сеть.

Источник — «http://recognition.su/wiki/index.php?title=%D0%93%D1%80%D0%B0%D1%84%D0%BE%D0%B2%D0%B0%D1%8F_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C»

@@ Строка 1: / Строка 1: @@
-{{well|Статья написана с использованием LLM '''Claude Sonet 5''' и проверена участником [[Участник:Dan-Кhaiaa Lakpazhap]] 20:16, 30 июня 2026 (MSD).
-Промпт приводится полностью в [[Обсуждение:Графовая нейронная сеть]].
-}}
 {{TOCright}}
-'''Гра́фовая нейро́нная сеть''' (англ. ''Graph Neural Network'', '''GNN''') — класс [[Искусственная нейронная сеть|искусственных нейронных сетей]], предназначенных для работы с данными, представленными в виде [[Граф |графа]]: с [[Вершина графа|вершинами]] (узлами) и [[Ребро графа|рёбрами]], которые задают произвольные, не обязательно регулярные связи между объектами. В отличие от [[Свёрточная нейронная сеть|свёрточных нейронных сетей]] (работающих с сеткой пикселей) и [[Рекуррентная нейронная сеть|рекуррентных сетей]] (работающих с последовательностями), графовые нейронные сети обобщают идею локальной свёртки на данные без фиксированной структуры соседства, что делает их естественным инструментом [[Машинное обучение|машинного обучения]] на [[Социальная сеть (математика)|социальных сетях]], молекулах, дорожных сетях, [[Рекомендательная система|рекомендательных системах]], базах знаний и других графовых структурах<ref name="scarselli2009" /><ref name="zhou2020" />.
+'''Гра́фовая нейро́нная сеть''' (англ. ''Graph Neural Network'', '''GNN''') — класс [[Искусственная нейронная сеть|искусственных нейронных сетей]], предназначенных для работы с данными, представленными в виде [[Граф|графа]]: с [[Вершина графа|вершинами]] (узлами) и [[Ребро графа|рёбрами]], которые задают произвольные, не обязательно регулярные связи между объектами. В отличие от [[Свёрточная нейронная сеть|свёрточных нейронных сетей]] (работающих с сеткой пикселей) и [[Рекуррентная нейронная сеть|рекуррентных сетей]] (работающих с последовательностями), графовые нейронные сети обобщают идею локальной свёртки на данные без фиксированной структуры соседства, что делает их естественным инструментом [[Машинное обучение|машинного обучения]] на [[Социальная сеть (математика)|социальных сетях]], молекулах, дорожных сетях, [[Рекомендательная система|рекомендательных системах]], базах знаний и других графовых структурах<ref name="scarselli2009" /><ref name="zhou2020" />.
 Ключевая идея GNN — '''передача сообщений''' (англ. ''message passing''): каждая вершина итеративно обновляет своё векторное представление ([[Эмбеддинг|эмбеддинг]]), агрегируя информацию от своих соседей. После нескольких раундов такого обновления представление вершины отражает не только её собственные признаки, но и структуру её локального (а при достаточной глубине — и более широкого) окружения в графе<ref name="gilmer2017" />.
@@ Строка 22: / Строка 19: @@
 * '''на уровне ребра''' (англ. ''edge-level'') — например, [[Предсказание связей|предсказание связей]] (англ. ''link prediction''), то есть оценка вероятности существования ребра между двумя вершинами;
 * '''на уровне графа''' (англ. ''graph-level'') — классификация или регрессия над графом целиком, например предсказание свойства молекулы по её структуре.
 == Передача сообщений ==
 Большинство современных архитектур GNN укладываются в единую вычислительную схему — фреймворк '''сетей передачи сообщений''' (англ. ''Message Passing Neural Networks'', MPNN), предложенный Гилмером и соавторами<ref name="gilmer2017" />. На каждом слое <tex>k</tex> представление <tex>h_v^{(k)}</tex> вершины <tex>v</tex> обновляется по правилу
@@ Строка 62: / Строка 58: @@
 === Графовые сети внимания (GAT) ===
-Велкович и соавторы предложили заменить фиксированные (нормированные по степени) веса соседей на веса, вычисляемые механизмом [[Механизм внимания|внимания]], — по аналогии с [[Трансформер |трансформерами]]<ref name="velickovic2018" />. Коэффициент внимания между вершинами <tex>i</tex> и <tex>j</tex> вычисляется как
+Велкович и соавторы предложили заменить фиксированные (нормированные по степени) веса соседей на веса, вычисляемые механизмом [[Механизм внимания|внимания]], — по аналогии с [[Трансформер|трансформерами]]<ref name="velickovic2018" />. Коэффициент внимания между вершинами <tex>i</tex> и <tex>j</tex> вычисляется как
 <tex>
-\alpha_{ij} = \frac{\exp\big(\text{LeakyReLU}(a^{T}[Wh_i \,\|\, Wh_j])\big)}{\sum_{k \in \mathcal{N}(i)} \exp\big(\text{LeakyReLU}(a^{T}[Wh_i \,\|\, Wh_k])\big)},
+\alpha_{ij} = \frac{\exp\big(\text{LeakyReLU}(a^{T}[W h_i \| W h_j])\big)}{\sum_{k \in \mathcal{N}(i)} \exp\big(\text{LeakyReLU}(a^{T}[W h_i \| W h_k])\big)},
 </tex>
-где <tex>W</tex> и <tex>a</tex> — обучаемые параметры, а <tex>\{|}</tex> — операция конкатенации. Итоговое представление вершины — взвешенная сумма представлений соседей с этими коэффициентами. Такой подход позволяет модели самой определять относительную значимость разных соседей, не завися от нормировки по степени вершины.
+где <tex>W</tex> и <tex>a</tex> — обучаемые параметры, а <tex>\|</tex> — операция конкатенации. Итоговое представление вершины — взвешенная сумма представлений соседей с этими коэффициентами. Такой подход позволяет модели самой определять относительную значимость разных соседей, не завися от нормировки по степени вершины.
-=== Сети передачи сообщений и графовая изоморфная сеть (GIN) ===
-Гилмер и соавторы обобщили GCN, GraphSAGE, GAT и ряд других моделей (в том числе более ранние управляемые графовые сети, ''Gated Graph Neural Networks''<ref name="gilmer2017" />) в единый фреймворк MPNN, включающий также признаки на рёбрах, что оказалось особенно полезным для задач [[Хемоинформатика|хемоинформатики]] — предсказания свойств молекул<ref name="gilmer2017" />.
-Отдельный теоретический вопрос — какова предельная различающая способность GNN. Сю, Ху, Лесковец и Йегелка показали, что стандартные архитектуры (GCN, GraphSAGE) не могут различать некоторые простые, но неизоморфные графы, и что различающая способность любой GNN с передачей сообщений ограничена сверху классическим комбинаторным '''тестом Вейсфейлера — Лемана''' на изоморфизм графов. Они предложили '''графовую изоморфную сеть''' (англ. ''Graph Isomorphism Network'', GIN) с агрегирующей функцией
-<tex>
-h_v^{(k)} = \text{MLP}^{(k)}\Big((1+\epsilon^{(k)}) \cdot h_v^{(k-1)} + \sum_{u \in \mathcal{N}(v)} h_u^{(k-1)}\Big),
-</tex>
-которая при подходящем выборе <tex>\text{MLP}</tex> провably (доказуемо) достигает различающей способности, равной тесту Вейсфейлера — Лемана, то есть является максимально мощной в классе GNN на основе суммирующей агрегации<ref name="xu2019" />.
 == Обучение ==
@@ Строка 87: / Строка 71: @@
 === Функции потерь ===
-Как и в остальном [[Глубокое обучение|глубоком обучении]], параметры GNN оптимизируются [[Метод обратного распространения ошибки|методом обратного распространения ошибки]] и вариантами [[Стохастический градиентный спуск|стохастического градиентного спуска]]. Выбор функции потерь зависит от задачи: перекрёстная энтропия для классификации вершин, ребёр или графов; среднеквадратичная ошибка для регрессии; при отсутствии размеченных данных применяются задачи '''самообучения''' (англ. ''self-supervised learning''), например реконструкция скрытых рёбер или максимизация взаимной информации между локальными и глобальными представлениями графа (''Deep Graph Infomax'').
+Как и в остальном [[Глубокое обучение|глубоком обучении]], параметры GNN оптимизируются [[Метод обратного распространения ошибки|методом обратного распространения ошибки]] и вариантами [[Стохастический градиентный спуск|стохастического градиентного спуска]]. Выбор функции потерь зависит от задачи: перекрёстная энтропия для классификации вершин, рёбер или графов; среднеквадратичная ошибка для регрессии; при отсутствии размеченных данных применяются задачи '''самообучения''' (англ. ''self-supervised learning''), например реконструкция скрытых рёбер или максимизация взаимной информации между локальными и глобальными представлениями графа (''Deep Graph Infomax'').
 === Масштабирование на больших графах ===
@@ Строка 121: / Строка 105: @@
 * [[Трансформер]]
 * [[Механизм внимания]]
-* [[Граф ]]
+* [[Граф]]
 * [[Тест Вейсфейлера — Лемана]]
 * [[Эмбеддинг]]
@@ Строка 132: / Строка 116: @@
 == Примечания ==
 <references>
+<ref name="gori2005">{{статья |автор=Gori M., Monfardini G., Scarselli F. |заглавие=A new model for learning in graph domains |язык=en |издание=Proceedings of the 2005 IEEE International Joint Conference on Neural Networks (IJCNN) |год=2005 |том=2 |страницы=729—734 |doi=10.1109/IJCNN.2005.1555942}}</ref>
-<ref name="gori2005">{{статья |автор=Gori M., Monfardini G., Scarselli F. |заглавие=A new model for learning in graph domains |ссылка= |язык=en |издание=Proceedings of the 2005 IEEE International Joint Conference on Neural Networks (IJCNN) |год=2005 |том=2 |страницы=729—734 |doi=10.1109/IJCNN.2005.1555942}}</ref>
 <ref name="scarselli2009">{{статья |автор=Scarselli F., Gori M., Tsoi A. C., Hagenbuchner M., Monfardini G. |заглавие=The Graph Neural Network Model |ссылка=https://ieeexplore.ieee.org/document/4700287 |язык=en |издание=IEEE Transactions on Neural Networks |год=2009 |том=20 |номер=1 |страницы=61—80 |doi=10.1109/TNN.2008.2005605}}</ref>
@@ Строка 151: / Строка 134: @@
 <ref name="xu2019">{{статья |автор=Xu K., Hu W., Leskovec J., Jegelka S. |заглавие=How Powerful are Graph Neural Networks? |ссылка=https://arxiv.org/abs/1810.00826 |язык=en |издание=International Conference on Learning Representations (ICLR) |год=2019}}</ref>
-<ref name="battaglia2018">{{статья |автор=Battaglia P. W., Hamrick J. B., Bapst V. и др. |заглавие=Relational inductive biases, deep learning, and graph networks |ссылка=https://arxiv.org/abs/1806.01261 |язык=en |издание=arXiv preprint |год=2018 |номер=arXiv:1806.01261}}</ref>
+<ref name="battaglia2018">{{статья |автор=Battaglia P. W., Hamrick J. B., Bapst V. и др. |заглавие=Relational inductive biases, deep learning, and graph networks |ссылка=https://arxiv.org/abs/1806.01261 |язык=en |издание=arXiv preprint |год=2018}}</ref>
 <ref name="li2018">{{статья |автор=Li Q., Han Z., Wu X.-M. |заглавие=Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning |ссылка=https://arxiv.org/abs/1801.07606 |язык=en |издание=Proceedings of the AAAI Conference on Artificial Intelligence |год=2018 |том=32 |страницы=3538—3545}}</ref>
@@ Строка 168: / Строка 151: @@
 <ref name="samgpt2025">{{статья |автор=Yu X., Gong Z., Zhou C., Fang Y., Zhang H. |заглавие=SAMGPT: Text-free Graph Foundation Model for Multi-domain Pre-training and Cross-domain Adaptation |ссылка=https://arxiv.org/abs/2502.05424 |язык=en |издание=Proceedings of the ACM on Web Conference 2025 |год=2025 |страницы=1142—1153}}</ref>
 </references>
@@ Строка 178: / Строка 160: @@
 * {{статья |автор=Gilmer J., Schoenholz S. S., Riley P. F., Vinyals O., Dahl G. E. |заглавие=Neural Message Passing for Quantum Chemistry |ссылка=https://arxiv.org/abs/1704.01212 |язык=en |издание=Proceedings of the 34th International Conference on Machine Learning (ICML), PMLR 70 |год=2017 |страницы=1263—1272}}
 * {{статья |автор=Xu K., Hu W., Leskovec J., Jegelka S. |заглавие=How Powerful are Graph Neural Networks? |ссылка=https://arxiv.org/abs/1810.00826 |язык=en |издание=International Conference on Learning Representations (ICLR) |год=2019}}
-* {{статья |автор=Battaglia P. W., Hamrick J. B., Bapst V. и др. |заглавие=Relational inductive biases, deep learning, and graph networks |ссылка=https://arxiv.org/abs/1806.01261 |язык=en |издание=arXiv preprint |год=2018 |номер=arXiv:1806.01261}}
+* {{статья |автор=Battaglia P. W., Hamrick J. B., Bapst V. и др. |заглавие=Relational inductive biases, deep learning, and graph networks |ссылка=https://arxiv.org/abs/1806.01261 |язык=en |издание=arXiv preprint |год=2018}}
 * {{статья |автор=Wu Z., Pan S., Chen F., Long G., Zhang C., Yu P. S. |заглавие=A Comprehensive Survey on Graph Neural Networks |ссылка=https://arxiv.org/abs/1901.00596 |язык=en |издание=IEEE Transactions on Neural Networks and Learning Systems |год=2021 |том=32 |номер=1 |страницы=4—24 |doi=10.1109/TNNLS.2020.2978386}}
 * {{статья |автор=Zhou J., Cui G., Hu S., Zhang Z., Yang C., Liu Z., Wang L., Li C., Sun M. |заглавие=Graph neural networks: A review of methods and applications |ссылка=https://arxiv.org/abs/1812.08434 |язык=en |издание=AI Open |год=2020 |том=1 |страницы=57—81 |doi=10.1016/j.aiopen.2021.01.001}}
-* {{книга |автор=Hamilton W. L. |заглавие=Graph Representation Learning |ссылка=https://www.cs.mcgill.ca/~wlh/grl_book/ |язык=en |место= |издательство=Morgan & Claypool Publishers |год=2020 |isbn=978-1681739632}}
+* {{книга |автор=Hamilton W. L. |заглавие=Graph Representation Learning |ссылка=https://www.cs.mcgill.ca/~wlh/grl_book/ |язык=en |издательство=Morgan & Claypool Publishers |год=2020 |isbn=978-1681739632}}
 * {{статья |автор=Jumper J., Evans R., Pritzel A. и др. |заглавие=Highly accurate protein structure prediction with AlphaFold |ссылка=https://www.nature.com/articles/s41586-021-03819-2 |язык=en |издание=Nature |год=2021 |том=596 |страницы=583—589 |doi=10.1038/s41586-021-03819-2}}
 * {{статья |автор=Derrow-Pinion A., She J., Wong D. и др. |заглавие=ETA Prediction with Graph Neural Networks in Google Maps |ссылка=https://arxiv.org/abs/2108.11482 |язык=en |издание=Proceedings of the 30th ACM International Conference on Information & Knowledge Management (CIKM) |год=2021 |страницы=3767—3776 |doi=10.1145/3459637.3481916}}
+{{well|Статья написана с использованием LLM '''Claude Sonnet 3.5''' и проверена участником [[Участник:Dan-Кhaiaa Lakpazhap|Dan-Кhaiaa Lakpazhap]] 20:16, 30 июня 2026 (MSD). Промпт приводится полностью в [[Обсуждение:Графовая нейронная сеть]].}}