Программный комитет Международной конференции по машинному обучению (ICML 2026) принял к публикации восемь статей сотрудников Yandex Research (исследовательского подразделения «Яндекса»).

Две из этих научных публикаций касаются моделей ИИ, обрабатывающих данные в виде графов.

• Статья On Efficient Scaling of GNNs via IO-Aware Layers Implementations получила статус Spotlight (им отмечаются статьи конференции с наибольшей научной значимостью). В ней предлагается решение проблемы масштабирования графовых нейросетей, производительность которых ограничивается неэффективной работой с памятью GPU и большим объемом передачи данных. 

• В работе GraphPFN: A Prior-Data Fitted Graph Foundation Model представляется графовая фундаментальная модель GraphPFN. Нейросеть обучена на 1,6 млн синтетических датасетов.

В двух работах затрагиваются вопросы работы с табличными данными.

• В одной из этих статей описывается метод обучения с учителем (Supervised Learning) на табличных данных TabPack. Он предполагает использование ансамблей многослойных перцептронов (Multilayer perceptron, MLP) с различными гиперпараметрами. 

• Авторы статьи Unveiling the Role of Data Uncertainty in Tabular Deep Learning анализируют успешность современных подходов глубокого обучения в обработке табличных данных. Они приходят к выводу, что многие черты современных архитектур (в частности, использование RAG) улучшают способность моделей ИИ работать с неопределенностью данных: шумами или неполнотой в них.

Еще два исследования концентрируются на совершенствовании алгоритмов оптимизации при обучении моделей.

• В статье One-Step Gradient Delay Is Not a Barrier for Large-Scale Asynchronous Pipeline Parallel LLM Pretraining исследователи показывают, что метод асинхронного конвейерного параллелизма (Asynchronous Pipeline Parallelism) может быть использован для процесса распределенного обучения слоев крупноразмерных LLM. 

• Публикация Softsign: Smooth Sign in Your Optimizer for Better Parameter Heterogeneity Handling описывает два новых алгоритма оптимизации: SoftSignum и SoftMuon. 

Остальные статьи касаются других вопросов.

• В работе Inverse Entropic Optimal Transport Solves Semi-Supervised Learning via Data Likelihood Maximization исследователи представляют новый подход к задаче создания условных распределений вероятностей, используемых в машинном обучении. 

• Статья Relevance-Based Embeddings: Lightweight Candidate Retrieval via Heavy-Ranker Calls содержит описание нового подхода к проблеме наиболее релевантных сущностей для запроса. Каждый из них предлагается описывать отношением к набору сходных и на основании этих представлений создавать эмбеддинги.