Aquest curs introdueix els fonaments teòrics, les arquitectures i les aplicacions de les xarxes neuronals de grafs. Cobreix marcs de pas de missatges, models convolucionals de grafs i arquitectures avançades per a grafs heterogenis i dinàmics. Els estudiants aprendran a dissenyar, implementar i avaluar les GNN per a tasques com la classificació de nodes, la predicció d'enllaços i l'aprenentatge de representacions a nivell de graf.
El curs proporciona una comprensió completa de l'aprenentatge profund basat en grafs. Comença amb els conceptes fonamentals de la teoria de grafs i la representació de xarxes, seguits d'un estudi detallat de les formulacions de GNN espectrals i espacials. S'examinen els models clau, com ara GCN, GAT, GraphSAGE i GNN heterogènies. Les sessions pràctiques impliquen l'aplicació de GNN mitjançant biblioteques PyTorch Geometric i DGL en conjunts de dades del món real. El curs conclou amb una discussió de les tendències actuals de recerca, els reptes d'escalabilitat i la interpretabilitat en l'aprenentatge de grafs.
Al final del curs, l'aprenent podrà:
Explicar els principis matemàtics subjacents a l'aprenentatge de la representació gràfica.
Implementar i entrenar arquitectures GNN estàndard.
avaluar el rendiment del model en dades estructurades en grafs.
dissenyar i adaptar arquitectures GNN per a noves tasques i grafs heterogenis.
analitzar críticament articles de recerca en l'àmbit de les GNN.
Sòlida formació en àlgebra lineal, probabilitat i aprenentatge automàtic.
Coneixements pràctics de Python i frameworks d'aprenentatge profund (preferiblement PyTorch).
Recomanat: W. Hamilton, Graph Representation Learning, Morgan & Claypool, 2020.
Recomanat: Z. Wu et al., “Una enquesta completa sobre xarxes neuronals de grafs”, IEEE Transactions on Neural Networks and Learning Systems, 2021.
T. Kipf i M. Welling, “Classificació semisupervisada amb xarxes convolucionals de grafs”, ICLR, 2017.
Y. Hu et al., “Xarxes neuronals de grafs heterogènies per a l'optimització escalable del problema del viatjant asimètric”, Neurocomputing, 2025.
Conferències sobre teoria i disseny de models.
Laboratoris de programació per a la implementació i l'experimentació.
Projecte en grup aplicant GNN a un conjunt de dades real.
Debats de ponències i presentacions d'estudiants sobre investigacions recents.
Transcripció de registres