< P > Новая модель Google Graph Foundation обеспечивает в 40 раз больше точности и была протестирована в масштабе при обнаружении спама.
< IMG WIDTH = "1600" HEIGHT = "840" SRC = "https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-739.jpg" class = "Прикрепление wp-post-image alte-alempes#8217 до 40x "fetchPriority =" high "decoding =" async "srcset =" https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-739.jpg 1600W, https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-mod-480x252.jpg 480w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-mod-680x357.jpg 680w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-mod-384x202.jpg 384W, https://www.searchenginejournal.com/wp-content/uploads/207/google-graph-foundation-760303030.s.76803.grphyn.graphy-766 768W, https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-graph-foundation-mod-mod-1024x538.jpg 1024w "Sits =" (Max-Width) 100VW, 1600px "/> < p >Google опубликовал подробности нового вида искусственного интеллекта на основе графиков, называемых моделью графического фонда (GFM), который в общих чертах для ранее невидимых графиков и обеспечивает от трех до сорока усилий по сравнению с предыдущими методами с успешным тестированием в масштабированном поиске приложений в качестве обнаружения спама в рекламе.
< p > Объявление этой новой технологии называется расширением границ того, что возможно до сегодняшнего дня:
< blockquote > ~ p > & Ldquo; Сегодня мы исследуем возможность разработки одной модели, которая может преуспеть в взаимосвязанных реляционных таблицах, и в то же время обобщать любой произвольный набор таблиц, функций, функций, функций, функций, функций дополнительного обучения. Мы рады поделиться нашим недавним прогрессом в моделях Foundation Foundation Foundation (GFM), которые выдвигают границы обучения графа и табличного ML далеко за пределы стандартных базовых показателей. & Amp;
< p >< IMG Decoding = "Async" src = "https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-gfm-test-153.png" alt = "Google Graph Foundation Model показывает 3-40 раза повышение производительности в Precision" Wildther = "600". WP-Image-51086 Size-full "srcset =" https://www.searchenginejournal.com/wp-content/uploads/207/google-gfm-test-153.png- 600w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-gfm-test-153-480x502.png 480w, https://www.searchenginejournal.com/wp-content/uploads/2025/07/google-gfm-test-153-384x401.png 384w "sits =" (max-width) 100VW, 600px "загрузка =" Laz < H2 > Графические нейронные сети против моделей графического фундамента
< P > Графики являются представлениями данных, которые связаны друг с другом. Соединения между объектами называются краями, а темы объектов называются узлами. В SEO можно сказать, что наибольший семейный график является графиком ссылок, который является картой сети Enttire по ссылкам, которые соединяют одну веб -страницу с другой.
< P > Текущая технология использует графические нейронные сети (GNNS) для представления данных, таких как содержание веб -страницы, и может использоваться для определения темы веб -страницы.
~ 60 >~ 60 > Пост в блоге Google Research о GNNs объясняет их важность:
< blockquote >> 62 ~ & Ldquo; Графические нейронные сети, или GNN для краткости, стали мощной техникой как графика, & S подключение (как в более старых алгоритмах DeepWalk и Node2VEC) и входные функции на различных узлах и краях. GNN может делать прогнозы для графиков в целом (реагирует ли эта молекула определенным образом ?), для отдельных узлов (что и тему этого документа, учитывая его цитирование ?) &
< P > Помимо прогнозов о графиках, GNN – мощный инструмент, используемый для преодоления пропасти с более типичным вариантом использования нейронной сети. Они кодируют график & rsquo; S непрерывно, реляционная информация, чтобы ее можно было естественным образом включать в другую систему глубокого обучения. & Amp;
< p >Недостатком GNN является то, что они привязаны к графику, на котором они работают, и могут & rsquo; t можно использовать на другом виде графика. Чтобы использовать его на другом графике, Google должен обучить другую модель образцам для этого другого графика.
< p > Чтобы сделать аналогию, это & На нравится обучение новой генеративной модели ИИ на французских языковых документах просто для того, чтобы работать на другом языке, но это & Не так, потому что LLM могут обобщать языки, что не относится к моделям, которые работают с графиками. Это проблема, которую решает изобретение, чтобы создать модель, которая обобщает другие графики с необходимостью обучения на них сначала.
< p >Прорыв, который Google объявил, заключается в том, что с помощью новых моделей Graph Foundation теперь Google может обучить модель, которая может обобщить на новые графики, которые у него есть & rsquo; T были обучены и преуменьшению шаблонов и соединений в этих графиках. И это может сделать это в три до сорока раз точнее.
< H2 > Объявление, но нет исследовательской работы
< p > Google & rsquo; S объявление не ссылается на исследовательскую работу. Это & rsquo; Сообщалось по -разному, что Google решил опубликовать меньше исследовательских работ, и это большой пример этого изменения политики. Это потому, что это инновация настолько велика, что они хотят сохранить это как конкурентное преимущество ?
< H2 >Как работают модели графика
< p > В обычном графике, пусть & rsquo; S, скажем, график Интернета, веб -страницы – это узлы. Ссылки между узлами (веб -страницы) называются краями. В этом ребенке график вы можете увидеть сходство между страницами, которые страницы по конкретной теме имеют тенденцию ссылаться на другие страницы по той же конкретной теме.
< p > В очень простом термине модель графического фонда превращает каждую строку в каждой таблице в узлы, связанные с узлами и соединениями на основе отношений в таблицах. Результатом является единственный большой график, который модель использует для обучения на существующих данных и сделать прогнозы (например, идентификация спама) на новых данных.
< h3 > Скриншот из пяти таблиц
< Decoding = "async" src = "https://www.searchenginejournal.com/wp-content/uploads/2025/07/graph-foundational-model-1-828.png" alt = "" ширина = 569 "высота =" 337 ". Srcset = "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-1-8280x284.png 480W, https://www.searchenginejournal.com/wp-content/2025/07/graph-foundational-1-844444444444444444444444444444444444444444444444444444444444444н 384W "sits =" (максимальная ширина) 100VW, 569px "загрузка =" ленивый "> Изображение от Google < h2 > Трансформационные таблицы в один график
~ 60 >> 62 ~ Исследовательская статья гласит это о следующих изображениях, которые иллюстрируют процесс:
< Цитата блока >< P >& Ldquo; Подготовка данных состоит из преобразования таблиц в один график, где каждая строка таблицы становится узлом соответствующего типа узла, а столбцы иностранных ключей становятся границей между узлами. Подключения пять показанных таблиц становятся краями на полученном графике. & Amp; rdquo;
< H3 > Снимок экрана таблиц, преобразованный в ребра
< Decoding = "Async" src = "https://www.searchenginejournal.com/wp-content/uploads/2025/07/graph-foundational-model-2-874.png" alt = "" ширина = "446" высота = "344" класс = "wp-image-5510777777777777777777777777777777777777777777777777777777777777777777777777777777777777777777777777777777777777777777777. Srcset = "https://www.searchenginejournal.com/wp-content/uploads/2025/07/graph-foundational-model-2-874.png 446w, https://www.searchenginejournal.com/wp-content/2025/07/graph-foundation-model-2-84444444444444444444444444444 384W "sits =" (максимальная ширина) 100VW, 446px "загрузка =" ленивый "> Изображение от Google < p >Что делает эту новую модель исключительной, так это то, что процесс создания ее является & ldquo; Простой & rdquo; И это масштабируется. Часть масштабирования важна, потому что изобретение способно работать в Google & rsquo; S Массовая инфраструктура.
< blockquote > 62 > & ldquo; Мы утверждаем, что использование таблиц Collection Sollects Structivity Colleges является ключевым для эффективных алгоритмов ML и лучшей производительности ниже по течению, даже когда табличные данные (например, категория) являются скудными или шумными. С этой целью единственный этап подготовки данных состоит из преобразования коллекции таблиц в один гетерогенный график.
< p >Процесс довольно прост и может быть выполнен в масштабе: каждая таблица становится уникальным типом узла, и каждая строка в таблице содержит узел. Для каждой строки в таблице его отношения иностранных ключей BACE печатали ребра к соответствующим узлам из других таблиц, в то время как остальные столбцы рассматриваются как функции узла (типично, с числовыми или категориальными значениями). Необязательно, поэтому мы можем сохранить временную информацию в качестве функций узла или края. & Amp; rdquo;
< H2 > Испытания успешны < p > Google & S Объявление говорит о том, что они проверили его в идентификации спама в рекламе Google, какой разница в том, что происходит, и amp; S Система, которая использует десятки больших графиков. Текущие системы представляют собой нерешенные соединения между не связанными графиками и пропущены важным контекстом.
< p > Google & rsquo; S New Graph Foundation модель смогла установить соединения между всеми графами и улучшенной производительностью.
< p > em > Объявление Descriptyz достижение: ~/p >< Цитата блока >> 62 ~ & ldquo; Мы наблюдаем значительный повышение производительности по сравнению с лучшими настраиваемыми базовыми показателями с одним столом. В зависимости от задачи вниз по течению, GFM приносит 3x & ndash; 40x прирост средней точности, что указывает на то, что структура графика в реляционных таблицах дает решающий сигнал, который будет использоваться моделями ML. & Amp;
~/Цитата блока > < H2 > – это Google, используя эту систему ? < p > it & rsquo; S примечательно, что Google успешно протестировал систему с помощью рекламы Google для обнаружения спама и сообщил о Upides и без недостатков. Это означает, что его можно использовать в живой среде для различных задач реального мира. Они использовали его для обнаружения спама в Google и потому что это & S Гибкая модель, которая означает, что ее можно использовать для других задач, для которых используется несколько графиков, от идентификации тем содержимого до идентификации спама ссылки. > 62 ~ < p > Обычно, когда что -то не хватает, исследовательские работы и объявление говорят, что это указывает на будущее, но это & Не то, как это новое изобретение представлено. Это & rsquo; S представлен как успех, и это заканчивается утверждением, в котором говорится, что результаты диссертации могут улучшить проводник, что означает, что он может стать даже лучше, чем тезис, уже впечатляющие результаты.
< blockquote > ~ p > & ldquo; Результаты диссертации могут провести улучшение за счет дополнительного масштабирования и различного сбора учебных данных вместе с более глубоким теоретическим пониманием обобщения. & Amp; rdquo;
~ 60 >~ 60 > Читать Google & rsquo; S объявление:
