Ez a kurzus bemutatja a gráfneurohálózatok elméleti alapjait, architektúráit és alkalmazásait. A kurzus keretében szó esik az üzenetátviteli keretrendszerekről, a gráfkonvolúciós modellekről, valamint a heterogén és dinamikus gráfokhoz kifejlesztett fejlett architektúrákról. A hallgatók megtanulják, hogyan kell gráfneurohálózatokat tervezni, megvalósítani és értékelni olyan feladatokhoz, mint a csomópontok osztályozása, az élek előrejelzése és a gráfszintű reprezentáció tanulása.
A kurzus átfogó ismereteket nyújt a gráfalapú mélytanulásról. A kurzus az alapvető gráfelméleti és hálózati ábrázolási fogalmakkal kezdődik, majd a spektrális és térbeli GNN-megfogalmazások részletes tanulmányozásával folytatódik. A kurzus során a legfontosabb modelleket – többek között a GCN-t, a GAT-ot, a GraphSAGE-t és a heterogén GNN-eket – is megvizsgáljuk. A gyakorlati foglalkozások keretében a résztvevők a PyTorch Geometric és a DGL könyvtárak segítségével alkalmazzák a GNN-eket valós adathalmazokon. A kurzus a gráf-tanulás terén jelenlegi kutatási trendek, a skálázhatósági kihívások és az értelmezhetőség megvitatásával zárul.
A tanfolyam végére a hallgató képes lesz a következőkre:
magyarázza el a gráfábrázolás-tanulás alapjául szolgáló matematikai elveket.
szabványos GNN-architektúrák megvalósítása és betanítása.
a modell teljesítményének értékelése gráfstruktúrájú adatokon.
GNN-architektúrák tervezése és adaptálása új feladatokhoz és heterogén gráfokhoz.
kritikusan elemezni a GNN területén megjelent tudományos cikkeket.
Szilárd ismeretek a lineáris algebrában, a valószínűségszámításban és a gépi tanulásban.
A Python és a mélytanulási keretrendszerek (lehetőleg a PyTorch) gyakorlati ismerete.
Ajánlott irodalom: W. Hamilton, Graph Representation Learning, Morgan & Claypool, 2020.
Ajánlott: Z. Wu és társai, „A Comprehensive Survey on Graph Neural Networks” [Átfogó áttekintés a gráf neurális hálózatokról], IEEE Transactions on Neural Networks and Learning Systems, 2021.
T. Kipf és M. Welling: „Félig felügyelt osztályozás gráfkonvolúciós hálózatokkal”, ICLR, 2017.
Y. Hu és munkatársai: „Heterogén gráf-neurális hálózatok a skálázható aszimmetrikus utazó ügynök-probléma optimalizálásához”, Neurocomputing, 2025.
Elméleti és modellezési előadások.
Programozási gyakorlatok a megvalósítás és a kísérletezés céljából.
Csoportos projekt, amelyben a GNN-eket valós adathalmazra alkalmazzuk.
Előadások és hallgatói prezentációk a legújabb kutatásokról.
Tanulmányi eredményekről szóló igazolás