Dieser Kurs bietet eine Einführung in die theoretischen Grundlagen, Architekturen und Anwendungsbereiche von Graph-Neural-Netzwerken (GNNs). Er behandelt Frameworks zur Nachrichtenübermittlung, Graph-Convolutional-Modelle sowie fortgeschrittene Architekturen für heterogene und dynamische Graphen. Die Studierenden lernen, GNNs für Aufgaben wie die Klassifizierung von Knoten, die Vorhersage von Verbindungen und das Lernen von Darstellungen auf Graphenebene zu entwerfen, zu implementieren und zu bewerten.
Der Kurs vermittelt ein umfassendes Verständnis des graphbasierten Deep Learning. Er beginnt mit den Grundlagen der Graphentheorie und Konzepten der Netzwerkdarstellung, gefolgt von einer detaillierten Auseinandersetzung mit spektralen und räumlichen GNN-Formulierungen. Dabei werden wichtige Modelle wie GCN, GAT, GraphSAGE und heterogene GNNs behandelt. In den praktischen Übungen werden GNNs mithilfe der Bibliotheken PyTorch Geometric und DGL auf realen Datensätzen angewendet. Der Kurs schließt mit einer Diskussion aktueller Forschungstrends, Herausforderungen hinsichtlich der Skalierbarkeit sowie der Interpretierbarkeit beim Graph-Lernen.
Am Ende des Kurses wird der Lernende in der Lage sein:
- die mathematischen Prinzipien erläutern, die dem Lernen von Graphdarstellungen zugrunde liegen;
- Standard-GNN-Architekturen implementieren und trainieren;
-die Modellleistung anhand von graphstrukturierten Daten bewerten;
- GNN-Architekturen für neue Aufgaben und heterogene Graphen entwerfen und anpassen;
- Forschungsarbeiten im Bereich GNN kritisch analysieren.
Fundierte Kenntnisse in linearer Algebra, Wahrscheinlichkeitsrechnung und maschinellem Lernen.
Praktische Kenntnisse in Python und Deep-Learning-Frameworks (vorzugsweise PyTorch).
Empfohlen:
W. Hamilton, „Graph Representation Learning“, Morgan & Claypool, 2020.
Empfehlung:
Z. Wu et al., „A Comprehensive Survey on Graph Neural Networks“, IEEE Transactions on Neural Networks and Learning Systems, 2021.
T. Kipf und M. Welling, „Semi-Supervised Classification with Graph Convolutional Networks“, ICLR, 2017.
Y. Hu et al., „Heterogene graphneuronale Netze für die skalierbare Optimierung des asymmetrischen Handlungsreisendenproblems“, Neurocomputing, 2025.
Vorlesungen zu Theorie und Modellentwurf.
Programmier-Workshops zur Umsetzung und zum Experimentieren.
Gruppenprojekt zur Anwendung von GNNs auf einen realen Datensatz.
Diskussionen über Fachbeiträge und Vorträge von Studierenden zu aktuellen Forschungsergebnissen.
Zeugnis