Este curso presenta los fundamentos teóricos, las arquitecturas y las aplicaciones de las redes neuronales de grafos (GNN). Abarca los marcos de paso de mensajes, los modelos convolucionales de grafos y las arquitecturas avanzadas para grafos heterogéneos y dinámicos. Los alumnos aprenderán a diseñar, implementar y evaluar las GNN para tareas como la clasificación de nodos, la predicción de enlaces y el aprendizaje de representaciones a nivel de grafo.
El curso ofrece una visión global del aprendizaje profundo basado en grafos. Comienza con los conceptos fundamentales de la teoría de grafos y la representación de redes, para continuar con un estudio detallado de las formulaciones espectrales y espaciales de las redes GNN. Se analizan modelos clave, como GCN, GAT, GraphSAGE y las redes GNN heterogéneas. Las sesiones prácticas consisten en la aplicación de las GNN utilizando las bibliotecas PyTorch Geometric y DGL sobre conjuntos de datos del mundo real. El curso concluye con un debate sobre las tendencias actuales de investigación, los retos de escalabilidad y la interpretabilidad en el aprendizaje de grafos.
Al finalizar el curso, el alumno será capaz de:
explicar los principios matemáticos que subyacen al aprendizaje de representaciones de grafos.
implementar y entrenar arquitecturas estándar de GNN.
evaluar el rendimiento del modelo con datos estructurados en grafos.
diseñar y adaptar arquitecturas de redes de grafos generales (GNN) para nuevas tareas y grafos heterogéneos.
analizar de forma crítica los artículos de investigación en el ámbito de las redes de vecindad global (GNN).
Sólidos conocimientos de álgebra lineal, probabilidad y aprendizaje automático.
Conocimientos prácticos de Python y de marcos de aprendizaje profundo (preferiblemente PyTorch).
Recomendado: W. Hamilton, *Graph Representation Learning*, Morgan & Claypool, 2020.
Recomendado: Z. Wu et al., «A Comprehensive Survey on Graph Neural Networks», IEEE Transactions on Neural Networks and Learning Systems, 2021.
T. Kipf y M. Welling, «Clasificación semisupervisada con redes convolucionales de grafos», ICLR, 2017.
Y. Hu et al., «Redes neuronales de grafos heterogéneos para la optimización escalable del problema del viajante asimétrico», Neurocomputing, 2025.
Clases sobre teoría y diseño de modelos.
Talleres de programación para la implementación y la experimentación.
Proyecto en grupo en el que se aplican las redes GNN a un conjunto de datos real.
Debates sobre artículos y presentaciones de los estudiantes sobre investigaciones recientes.
Extracto académico