6 июля в Вене откроется ICML — Международная конференция по машинному обучению. Это не просто крупнейшее ежегодное собрание в области ML — это место, где определяется направление движения всей науки о данных на следующие несколько лет.
В 2026 году заявки на публикацию докладов конференции прислали около 24 тыс. исследовательских групп со всего мира. Из них программный комитет выделил лишь чуть более 500 работ со статусом Spotlight — самыми высокими оценками. Это 2,2% от всех поданных заявок.
Одна из этих 536 работ принадлежит команде Яндекса. Гордимся нашими большими друзьями и коллегами из российской компании-лидера в сфере ИИ!
Что решали ученые Яндекс и почему это сложно?
Графовые нейронные сети (GNN) — архитектура, которая работает не с изображениями или текстами, а с графами: объектами, между которыми есть связи. Например, графами являются социальная сеть (пользователи и их подписки), молекула (атомы и химические связи), интернет-магазин (пользователи, товары, покупки). Именно GNN лежат в основе лучших рекомендательных систем, инструментов разработки лекарств и детекторов мошенничества.
Но проблема и специфика работы с GNN состоит в том, что GPU, современный вычислительный инструмент для обучения нейросетей, спроектирован для другой задачи. Он умеет молниеносно умножать большие матрицы: ровные, плотные, предсказуемые структуры.
А в графах всё иначе. Каждый узел связан с разным количеством соседей. Данные лежат в памяти в разброс. Когда GPU начинает работать с графом, он постоянно прерывается и ждёт пока нужные данные загрузятся из разных мест памяти.
В это время тысячи вычислительных ядер простаивают. Сами вычисления при этом несложные, но проблема именно в ожидании.
Команда Яндекса — исследователи из Yandex Research, инженеры команд ML-инфраструктуры и инференса, студенты ШАД — разработала алгоритм, который меняет порядок обращения к памяти так, чтобы видеокарта ждала как можно меньше. Данные о результатах будут публичны после публикации доклада на конференции, но сам статус Spotlight говорит, что программный комитет счёл работу значимой как теоретически, так и практически.
Почему это важно именно сейчас?
Яндекс — не просто исследовательская компания с хорошей наукой. Это организация, чьи сервисы ежедневно обслуживают сотни миллионов запросов: в поиске, навигации, музыке, видео, такси. Каждый раз, когда алгоритм рекомендует вам трек или предлагает маршрут, за этим стоит GNN. Ускорение этой архитектуры — это снижение стоимости инференса, ускорение обучения моделей, способность работать с более крупными графами в те же сроки.
Работа будет опубликована в открытый доступ. Значит, тем же алгоритмом смогут воспользоваться исследователи в медицине, климатологии, фармацевтике — везде, где графовые нейросети применяются сегодня.
Отдельно стоит сказать о ШАД — Школе Анализа Данных, которую Яндекс основал ещё в 2007 году и которая уже почти двадцать лет готовит ML-специалистов класса мирового уровня. То, что студенты ШАД стали соавторами работы в топ-2,2% ICML — это результат выстраивания образовательной экосистемы, где граница между учёбой и передовой наукой намеренно размыта.
Статус Spotlight на ICML — не просто строчка в резюме. Это сигнал, который читают исследователи по всему миру: из России приходят идеи, которые стоит изучить.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться