Xia < IMG Width = "1600" Height = "840" src = "https://www.searchenginejournal.com/wp-content/uploads/2025/07/gogle-graph-foundation-739 wp-post-image" Alw = "Drap-Full-Full-Fost-режим Spam Spam до 40X" lectior "lectior" lectior "lectior" lep-depmior lepry stry ”lectior lepry” lectior lepring weather stry ”lectior lepry strome levior lepring watch». = "Async" srcset = "https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-fundation-739.jpg 1600w https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-mod-739-480x252.jpg 480w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-mod-739-680x357.jpg 680w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-mod-739-384x202.jpg 384w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-mod-739-768x403.jpg 768w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-mod-Mod-739-1024x538.jpg 1024w "sizes =" (Max-100px) ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ < p >Google опубликовал подробную информацию о новых видах искусственного интеллекта на основе графической графики (GFM), которая суммирует ранее невидимую графику и обеспечивает в три раза больше времени повышения точности по сравнению с предыдущими методами с успешным тестированием в масштабированных приложениях, таких как обнаружение спамов в рекламе.
~ ~ < p > Объявление этой новой технологии называется расширением пределов того, что было на сегодняшний день:
< Blockquote >< P > & ldquo; Сегодня мы исследуем возможность разработки одной модели, которая может достичь взаимосвязанных реляционных таблиц и в то же время суммирует любой произвольный набор таблиц, функций и задач без дополнительного обучения. Мы рады поделиться нашим недавним прогрессом в разработке таких моделей графических фундаментов (GFM), которые продвигают границы графического обучения и таблицы ML, далеко за пределами стандартных базовых линий. & Rdquo;
< P >< IMG Decoding = "Async" src = "https://www.searchenginejournal.com/wp-content/uploads/2025/07/gogle-gfm-test-test-ret-result-33.pnesult. -Full "srcset =" https://www.searchenginejournal.com/wp-content/uploads/2025/07/07/google-g 480w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/07/google-gfm-test-stest-53-384x401.png 384w "Deamensions =" (Max-Wix-Widt: ~ < H2 >График нейронные сети против Модели графических фундаментов
< P > Графика – это представление данных, связанных друг с другом. Соединения между объектами называются краями, а сами объекты называются узлами. В SEO вы можете сказать, что самый известный тип графика – это график ссылок, который является картой всего Интернета по ссылкам, которые соединяют одну веб -страницу с другой.
< P > Текущая технология использует графические нейронные сети (GNN) для представления данных, таких как содержание веб -страницы, и может использоваться для определения темы веб -страниц.
< p >< em > Блог Google Research о GNNs объясняет их важность: 0 > 62 > 62& ldquo; График нейронных сетей, или коротких GNN, стал мощным методом для использования подключения как графики (как в старых алгоритмах, глубоких и Red2VEC), а также прикрепленных функций на разных узлах и краях. GNN может делать прогнозы для графиков в целом (независимо от того, реагирует ли эта молекула определенным образом ?), для отдельных узлов (которые & rsquo; s тему этого документа, учитывая его цитаты ?) & Велера;
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ < P > В дополнение к прогнозам графиков GNN является мощным инструментом, используемым для преодоления бездны до более типичных случаев использования нейронной сети. Они непрерывно кодируют дискретную реляционную информацию, чтобы она была естественным образом включать в другую систему глубокого обучения. < p > Недостаток GNN заключается в том, что они привязаны к графику, на которой они были обучены и могут использоваться на другом графике. Чтобы использовать его на другом графике, Google должен преподавать другую модель специально для этого другого графика.
< p >Чтобы сделать аналогию, это & Rsquo; S, как преподавать новую генеративную модель ИИ на французских документах, просто заставьте ее работать на другом языке, но это & Rsquo; S не соответствует действительности, поскольку LLM может суммировать другие нерафические модели. Это проблема, которую решает изобретение, чтобы создать модель, которая суммирует другие графики, не имея сначала.
~ < P > Google, который Google объявил, заключается в том, что с новым графическим фондом Google Модели могут теперь обучать модели, которая может суммировать новые графики, которые он не изучает и не понимает шаблонов и соединений в этих графиках. И это может сделать это в три или более раз точнее.
< H2 > ad, но нет исследований
< p >Google & Rsquo; S Ads не связана с исследовательской работой. ЭТО; Это потому, что < H2 > Как модели графического фундамента
Работа < P > В обычном графике, пусть & Rsquo; Скажем, расписание интернета, веб -страницы – это узлы. Ссылки между узлами (веб -страницы) называются краями. На таком графике вы можете увидеть сходство между страницами, поскольку страницы по конкретной теме, как правило, ссылаются на другие страницы по той же конкретной теме.
< p >В очень простых терминах графическая модель преобразует каждую линию в каждой таблице в узловый и соединяет связанные узлы на основе отношений в таблицах. Результатом является единственное большое расписание, которое модель использует для изучения существующих данных и прогнозов (таких как идентификация спама) на новых данных.
< h3 > Скриншот из пяти таблиц
< IMG Decoding = "async" src = "https://www.searchenginejournal.com/wp-content/uploads/2025/07/07/graph-foundational-model-1-828.28.png" alt = "width" alt = "" wp-im-mage-519 srcset = "alt =" wp-im-mage-519. https://www.searchenginejournal.com/wp-content/uploads/2025/07/graph-foundational-model-1-828.png 569w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/graph-foundational-model-1-828-80x284.png 480w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/graph-foundational-model-1-828-384x2227.png 384W "> Umge Google. < H2 > Таблицы преобразования в одном графике < P >< em > В исследованиях исследования – это следующие изображения, которые иллюстрируют процесс: 0 ~/p > ~ > 62 > 62 > 62 < Block Flower >< P > & ldquo; Подготовка данных состоит из трансформационных таблиц в одном графике, где каждая строка таблицы становится узлом соответствующего типа узла, а столбцы иностранных ключей становятся страной между узлами. Соединения между пятью таблицами являются страны в графике. < H3 > Снимок экрана таблиц, преобразованный в края
< Decoding = "async" src = "https://www.searchenginejournal.com/wp-content/uploads/2025/07/07/graph-foundational-model-2-874" WP-55777 SrcSet = " https://www.searchenginejournal.com/wp-content/uploads/2025/07/graph-foundational-model-2-874.png 446w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/graph-foundational-model-2-874-384x296.png 384w "Dimensions =" "> Google Image. < p > Что делает эту новую модель исключительной, так это то, что процесс создания ее является & ldquo; Direct & Rdquo; И это масштабируется. Часть увеличения важна, так как это означает, что изобретение может работать в массовой инфраструктуре Google.
< blockquote >< p >& ldquo; Мы утверждаем, что использование структуры соединения между таблицами является ключом для эффективных алгоритмов ML и лучшей производительности ниже по течению, даже когда данные табличных функций (такие как цена, размер, категория) редки или шумные. С этой целью единственная стадия подготовки данных состоит из преобразования сбора таблиц в единый гетерогенный график.
< p > Процесс довольно прост и может быть сделан по шкале: каждая таблица становится уникальным типом узла, и каждая строка в таблице становится узлом. Для каждой строки в таблице его внешние клавишные отношения становятся границами, введенными в соответствующие узлы других таблиц, в то время как остальные столбцы рассматриваются как функция узла (обычно с численными или категориальными значениями). При желании мы также можем хранить временную информацию в зависимости от узла или края. < h2 > испытания успешно
< p >Google & Rsquo; Объявление S говорится, что они проверили его в идентификации спама в рекламе Google, что было сложно, потому что именно система использует десятки большой графики. Текущие системы не могут установить связи между не связанными графиками и пропустить важный контекст.
< p > Google & Rsquo; S Новая модель фонда графика смогла подключиться между всеми графиками и улучшенной производительности.
< p >< em > Предварительное достижение: 62 > 62 ~< Blockquote > 0 > P > & ldquo; Мы наблюдаем значительное повышение производительности по сравнению с лучшими базовыми линиями. В зависимости от задачи ниже, GFM приносит 3x & ndash; 40x увеличение средней точности, указывая на то, что структура графиков в реляционных таблицах дает решающий сигнал, который следует использовать с использованием моделей ML. < H2 > Google с этой системой ? < p > it & Rsquo; S заметен, что Google успешно протестовал в систему с помощью рекламы Google для обнаружения спама и объявил о преимуществах и отсутствии недостатков. Это означает, что его можно использовать в живой среде для разных задач в реальном мире. Они использовали его для обнаружения спама Google Ads и потому что это & Rsquo; S Гибкая модель, которая означает, что ее можно использовать для других задач, для которых несколько графиков используются из идентификации тем до идентификации спам -ссылок
~ < p > Обычно, когда чего -то не хватает, исследовательская работа и реклама говорит, что это указывает на путь к будущему, но это & Rsquo; Не так, как представлено это новое изобретение. Это & Rsquo; < Blockquote >< P > & ldquo; Эти результаты могут быть дополнительно улучшены за счет дополнительного масштабирования и различных учебных данных вместе с более глубоким теоретическим пониманием обобщения. < p >< em > Читать Google & Rsquo; S AD: