Napjainkban a mélytanuláson alapuló mesterséges intelligenciát felhasználó megoldásoknak számos alkalmazási módja van. Napról-napra épül be olyan intézményekbe, mint az orvosi kutatóintézetek, különböző üzletek és rendőrkapitányságok, jelentősen növelve a lakosok életszínvonalát. Beépítésük egy korszerű, 21. századi innovatív információtechnológiákat alkalmazó, fenntarthatóan fejlődő várost eredményez, amelyet az idevonatkozó szakmai terminológia okos városnak (Smart city) nevez.

Megkérdőjelezhetetlen fontossággal bírnak a gépi tanulásban a neurális hálózatok. Segítségükkel az adatokban rejlő összefüggéseket lehet felismerni. Gyakran előfordul, hogy molekulákban vagy valamilyen egyéb gráf struktúrával rendelkező adatban kell mintákat felismerni. Egy okos városban ezek több területen felhasználhatóak. A kutatásunk során megvizsgáltunk gráfként tárolt ujjlenyomat adatbázisokat, teszteltünk hivatkozásokat tartalmazó adathalmazt, emellett számba vettünk vegy- és gyógyszeripari alkalmazási lehetőségeket is.

A gráfok nem-euklideszi természetéből és strukturális jellegéből adódóan nem használhatóak fel direkt módon neurális hálózatok bemeneteiként, ehhez először be kell ágyaznunk őket egy n-dimenziós vektortérbe. A dolgozat során hat gráf beágyazó algoritmust vizsgáltunk meg, nyolc különböző adatbázison. Összegyűjtöttük a leírásukat, implementáltuk őket, és megállapítottuk, hogy melyik algoritmus milyen belső adatstruktúra esetében lehet megfelelő, illetve a hatékonyságukat minek köszönhetik. Kialakítottunk egy saját megközelítésű egységes gráf alapú konvolúciós neurális hálózatot, amivel a vizsgált adatbázisok esetén átlagosan akár 7%-os pontosság növekedést is el tudtunk érni a szakirodalomban jelenleg elérhető architektúrákhoz képest. Emellett összehasonlítottuk ezeket a módszereket új, jel és Fourier-transzformáción alapuló megközelítésekkel a hozzájuk tervezett eredeti architektúrával együtt.