Чем предстоит заниматься
Решать задачи машинного обучения на графовых данных: классификация вершин и рёбер, link prediction, graph classification, anomaly detection и другие
Разрабатывать и обучать Graph Neural Networks: GCN, GAT, GraphSAGE и более современные архитектуры
Работать с Knowledge Graphs: построение, обогащение, очистка, связывание и использование графов знаний в ML-задачах
Исследовать методы представления графов и графов знаний: node/graph embeddings, Knowledge Graph Embeddings, GNN-based representations
Разрабатывать GraphRAG и гибридные retrieval-системы, объединяющие графовый поиск, семантический поиск и LLM
Исследовать способы интеграции структурированных знаний и графовых представлений в современные языковые модели
Решать задачи извлечения сущностей и отношений из неструктурированных данных, entity/relation extraction и entity linking
Работать с построением и развитием онтологий, схем и структур представления знаний
Проводить эксперименты, сравнивать подходы, строить baseline и проводить ablation study
Работать с графовыми и ML-бенчмарками, выбирать корректные метрики и анализировать результаты