GraphStorm, un marco empresarial de aprendizaje automático en grafos (GML) de bajo código, se ha convertido en una herramienta esencial para construir, entrenar y desplegar soluciones en grafos a escala empresarial en solo días en lugar de meses. Con GraphStorm, las soluciones pueden tomar en cuenta directamente la estructura de relaciones o interacciones entre miles de millones de entidades, lo que es crucial en datos del mundo real como la detección de fraude, recomendaciones, detección de comunidades y problemas de búsqueda y recuperación.
Hoy se lanza GraphStorm 0.3, añadiendo soporte nativo para el aprendizaje multitarea en grafos. Esta nueva versión permite definir múltiples objetivos de entrenamiento en diferentes nodos y aristas dentro de un solo ciclo de entrenamiento. Además, introduce nuevas API que permiten personalizar los procesos en GraphStorm. Ahora, con solo 12 líneas de código, se puede implementar un bucle de entrenamiento de clasificación de nodos personalizado. Para facilitar el inicio con la nueva API, se han publicado dos ejemplos en Jupyter notebooks: uno para la clasificación de nodos y otro para una tarea de predicción de enlaces. También se ha publicado un estudio exhaustivo de co-entrenamiento de modelos de lenguaje (LM) y redes neuronales de grafos (GNN) en grafos grandes con características textuales ricas, utilizando el conjunto de datos de Microsoft Academic Graph (MAG). El soporte nativo para el aprendizaje multitarea en gr...