Podczas mojej prezentacji chciałbym podzielić się wiedzą na temat statystycznego wnioskowania, uczenia i optymalizacji dla modeli dynamiki na grafach. Przede wszystkim skupie się na realistycznym problemie uczenia w przypadku niepełnych i zaszumionych danych. Problem ten w przypadku dużych grafów jest wymagający obliczeniowo i w związku z tym wymaga przybliżeń. Jednym z takich przybliżeń jest wywodząca się z fizyki statystycznej (oparta na swobodnej energii Bethego) technika dynamic message passing. Jest ona ścisła na drzewach i zaskakująco dokładna w przypadku grafów rzadkich. Przedyskutuję problemy na jakie natrafiliśmy podczas pracy nad tym zagadnieniem i pewne interesujące wyniki do których nas owe problemy doprowadziły.