Новая графическая модель Google Foundational Model значительно лучше обнаруживает спам, вплоть до 40 раз.

Google раскрыла информацию о новом типе искусственного интеллекта под названием Graph Foundation Model (GFM), которая адаптируется к незнакомым графическим структурам и увеличивает точность до 30-40 раз по сравнению с существующими методами, демонстрируя эффективность в крупномасштабных приложениях, таких как выявление спама в рекламе.

Купил акции на все деньги, а они упали? А Илон Маск снова написал твит? Знакомо. У нас тут клуб тех, кто пытается понять этот цирк и не сойти с ума.

Купить на падении (нет)

Раскрытие этой новой технологии часто описывают как выход за рамки того, что мы считали возможным до сих пор.

Как эксперт по поисковой оптимизации (SEO), я рад погрузиться в инновационную концепцию создания единой модели, способной освоить взаимосвязанные реляционные базы данных и одновременно адаптироваться к любой случайной комбинации таблиц, характеристик и задач — без необходимости дополнительного обучения. Мне не терпится поделиться нашими новейшими достижениями в разработке Графовых Основных Моделей (GFM), которые являются лидерами на границе графового обучения и табличного машинного обучения, превосходя стандартные показатели.

Графовые нейронные сети против графовых фундаментальных моделей

Представления данных, в которых точки данных соединены между собой, могут называться графиками. Соединения между этими точками или объектами именуются ребрами (edges), а сами отдельные точки или объекты — узлами (nodes). В контексте поисковой оптимизации (SEO) связный граф может быть сравним с полной картой интернета, созданной благодаря связям между веб-страницами.

Как опытный веб-мастер, я заметил, что современные продвинутые технологии используют Граф Нейронные Сети (ГНС), чтобы анализировать данные, такие как содержимое веб-страниц. Эти сети играют важную роль в помощи определить тему или предметную область любого заданного сайта.

Графовые нейронные сети (GNNS) признаны мощным инструментом, объединяющим структуру связей внутри графа (по аналогии со старыми методами вроде DeepWalk и Node2Vec) с характеристиками каждого узла и ребра. С использованием этого подхода GNNS могут делать прогнозы для целых графов (например, обладает ли данная молекула специфической реакцией?) или отдельных узлов (какова тема данного документа на основе его цитирований?). Помимо простого прогнозирования данных из графов, графовые нейронные сети являются универсальными инструментами, которые помогают расширить возможности традиционных нейронных сетей. Преобразовывая дискретную информацию отношений графа в непрерывную форму, они становятся полностью совместимыми с другими системами глубокого обучения.

Потенциальным недостатком графовых нейронных сетей (GNN) является их ограниченность графической структурой, на которой они были изначально обучены, что делает их неподходящими для других типов графиков. Чтобы применить GNN к другому графику, Google потребуется разработать и обучить отдельную модель, специализированную именно под этот конкретный график.

Это похоже на обучение новой модели ИИ французскому языку только для того, чтобы она понимала другие языки; к счастью, языковые модели (LLM) могут это делать, в отличие от моделей, работающих с графовыми структурами. Проблема, которую решает изобретение, заключается в создании модели, которая понимает различные типы графов без предварительного обучения каждому из них.

Последнее достижение Google заключается в использовании моделей Graph Foundation Models, что позволяет системе обучаться и эффективно анализировать паттерны на графах, на которых она ранее не обучалась. Более того, новая модель демонстрирует значительное повышение точности: до сорока раз более точное по сравнению с предыдущими моделями.

Объявление, но без исследования бумаги

По сообщениям, исследовательская статья, связанная с недавним объявлением Google, не была опубликована. Это может свидетельствовать о том, что компания действительно публикует меньше научных работ в рамках изменения своей политики. Предполагается, что инновация за этим заявлением настолько значима, что они хотят сохранить её как конкурентное преимущество.

Как работают графические модели-основы

В типичном представлении Интернета как графа рассмотрите каждую веб-страницу как узел. Связи между этими узлами (веб-страницами) называются рёбрами. Анализируя такой граф, можно выявить сходства среди страниц, так как страницы с обсуждением похожих тем часто ссылаются на другие страницы с теми же или родственными темами.

Упрощённое объяснение: Графовая модель фундамента преобразует каждую строку в каждой таблице в отдельный элемент или узел. Затем она связывает связанные узлы между собой согласно связям внутри таблиц, создавая тем самым один большой взаимосвязанный граф. Модель использует этот граф для обучения на имеющихся данных и прогнозирования результатов (например, выявления спама) на новых, ранее не встречавшихся данных.

Скриншот пяти столов

Преобразование таблиц в единый график

Как профессионал в области цифрового маркетинга, я превращаю несколько таблиц в единую визуальную репрезентацию, которую называют графом. Каждая строка из исходных таблиц представляется как уникальный узел (вершина) в этом графе, при этом тип узла определяется соответственно. Столбцы внешних ключей служат связями между узлами, формируя рёбра, которые показывают взаимосвязи между различными таблицами. Таким образом, то, что было связями между пятью отдельными таблицами, теперь становится рёбрами внутри конечного графа.

Скриншот таблиц, преобразованных в рёбра

Одним из примечательных аспектов этой инновационной модели является её простота в конструкции, что обеспечивает легкую масштабируемость. Эта особенность имеет решающее значение, поскольку позволяет изобретению эффективно работать во всем обширном сетевом ресурсе Google.

Мы считаем, что использование взаимосвязанной структуры между таблицами имеет решающее значение для высокопроизводительных алгоритмов машинного обучения, особенно когда табличные данные (например, цена, размер, категория) ограничены или не согласованы. Для достижения этого наш процесс подготовки данных включает преобразование нескольких таблиц в единый неоднородный граф. В этом процессе каждая таблица выступает как уникальный тип узла, а каждая строка внутри таблицы представляет отдельный узел. Иностранные ключи становятся связями или рёбрами между соответствующими узлами из других таблиц для каждой строки. Оставшиеся колонки в строке рассматриваются как признаки этих узлов, часто содержащие числовые или категориальные данные. По желанию мы также можем включить временную информацию как дополнительные характеристики узлов или рёбер.

Тесты Прошли Успешно

Объявление от Google показывает, что они работали над улучшением обнаружения спама в рекламе Google Ads. Эта задача является сложной из-за своего характера как системы, включающей множество больших сетей (или графов). Существующие системы часто испытывают трудности с установлением связей между разъединенными графами, пропуская важную контекстуальную информацию.

Новая модель графической базы данных от Google оказалась способна связать все графические данные, что привело к улучшенной общей производительности.

В наших экспериментах мы заметили существенное улучшение производительности по сравнению с лучшими однотабличными бенчмарками. Граф-факторизационная машина (GFM) предлагает впечатляющее улучшение средней точности для различных задач, варьируя от 3 до 40 раз, что указывает на важность и выгоду использования графной структуры внутри реляционных таблиц для моделей машинного обучения.

Google Использует Эту Систему?

Стоит отметить, что компания Google успешно опробовала систему обнаружения спама в своих объявлениях Google Ads и обнаружила только преимущества без каких-либо недостатков. Это подразумевает пригодность системы для использования в реальных сценариях по широкому спектру задач. Например, они применяли её для выявления спама в рекламе Google Ads, но благодаря адаптивности эта система также может быть использована в других задачах, требующих анализа множества графиков, таких как определение тематических направлений контента или выявление спамных ссылок.

Обычно, когда что-то не соответствует ожиданиям, исследовательские работы и объявления показывают, что это прокладывает путь для будущих улучшений. Тем не менее, данное инновационное творение представлено иначе: оно изображается как успех, завершаясь заявлением о том, что текущие результаты могут быть уточнены, подразумевая возможность их дальнейшего улучшения.

Улучшения этих результатов можно достичь несколькими способами. Это включает сбор более разнообразных данных для обучения, масштабирование тренировочного процесса и углубление нашего понимания того, как модели обобщают полученные знания.

Графовые модели базовых моделей для реляционных данных

Смотрите также

2025-07-14 23:39