Deep learning on dynamic graphs

Duboko učenje nad dinamičkim grafovima uključuje razne načine rješavanja zadataka koji su postavljeni nad skupom podataka predstavljenim grafom u kontinuiranom vremenu. Klasifikacija čvorova, predikcija veza te još neki zadatci sasvim su novi i specifični izazovi koje metode klasičnog dubokog učenja ne mogu riješiti zbog različitosti podataka. Graf osim značajki čvorova sadrži puno više informacija na temelju njegove topologije, te još više informacija kada se uzme u obzir kako se taj graf oblikovao kroz vrijeme. Modeli dubokog učenja nad grafovima raznim tehnikama koriste upravo te informacije za dobivanje najboljih rezultata.Deep learning over dynamic graphs involves various ways of solving tasks that are set over a set of data represented by a graph in continuous time. Node classification, link prediction and few other tasks are completely new and specific challenges that the methods of classical deep learning cannot solve due to the diversity of data. In addition to the node features, the graph contains much more information based on its topology, and even more information when you consider how that graph was formed over time. Deep learning models of graphs using various techniques use this information to get the best results