Priority areas for applying artificial intelligence to pedagogical education

Oʻzbekcha

GRAF NEYRON TARMOQLARINI TASNIFLASH MASALALARINI YECHISHGA QO‘LLASH

Published
25.04.2026
Journal
Priority areas for applying artificial intelligence to pedagogical education
Issue
Priority areas for applying artificial intelligence to pedagogical education
Pages
521-525
DOI
10.5281/zenodo.20215051

Authors

Abstract

Obyektlarni tasniflash muammolari sanoatda juda keng tarqalgan. Ko‘pgina hollarda, ular grafik ma'lumotlarini hisobga olmasdan, asosiy xususiyatlar (klassik mashina o‘rganish algoritmlari) yordamida hal qilinadi. Tadqiqotning gipotezasi shundan iborat ediki, grafli tuzilishini hisobga oladigan usullar yuqori sifatli modellarni beradi. Ushbu maqolada grafli ma'lumotlaridan foydalangan holda tasniflash muammosini hal qilishning bir nechta yondashuvlari taqdim etilgan va sinovdan o‘tkazilgan. Ular telekommunikatsiya kompaniyasining ma'lumotlarini qayta ishlashda qo‘llanilishi mumkin.

Keywords

neyron tarmoqlari grafik ma'lumotlari grafik cho‘qqilari ma'lumotlari

Other language versions

Русский

ПРИМЕНЕНИЕ ГРАФОВЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ КЛАССИФИКАЦИИ

Задачи классификации объектов очень распространены в промышленности. В большинстве случаев они решаются с использованием базовых признаков (классических алгоритмов машинного обучения) без учета графовых данных. Гипотеза исследования заключалась в том, что методы, учитывающие структуру графа, обеспечивают высококачественные модели. В данной статье представлены несколько подходов к решению задачи классификации с использованием графовых данных. Они могут быть применены в обработке данных телекоммуникационной компании.
нейронные сети графовая информация вершин графа
English

APPLICATION OF GRAPH NEURAL NETWORKS TO SOLVING CLASSIFICATION PROBLEMS

Object classification problems are very common in industry. In most cases, they are solved using basic features (classical machine learning algorithms) without taking graph data into account. The research hypothesis was that methods that take graph structure into account produce high-quality models. This article presents several approaches to solving classification problems using graph data. They can be applied to data processing at a telecommunications company.
neural networks graph information graph vertices

References

1. William L. Hamilton, Rex Ying, Jure Leskovec: Representation Learning on Graphs: Methods and Applications: https://arxiv.org/pdf/1709.05584.pdf
2. Yoav Goldberg and Omer Levy: word2vec Explained: Deriving Mikolov et al.’s Negative-Sampling Word-Embedding Method https://arxiv.org/pdf/1402.3722.pdf
3. S. Cao, W. Lu, and Q. Xu. Deep neural networks for learning graph representations. In AAAI, 2016
View PDF Related articles