Ez a kurzus bemutatja a gráf neurális hálózatok 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 GNN-eket tervezni, megvalósítani és értékelni olyan feladatokhoz, mint a csomópontok osztályozása, az élek előrejelzése és a gráfszintű reprezentáció-tanulás.
A kurzus átfogó ismereteket nyújt a gráfalapú mélytanulásról. A gráfelmélet alapjaival és a hálózatok ábrázolásának alapfogalmaival kezdődik, majd a spektrális és térbeli GNN-megközelítések részletes tanulmányozásával folytatódik. A kurzus során a legfontosabb modelleket – köztük a GCN-t, a GAT-ot, a GraphSAGE-et és a heterogén GNN-eket – is megvizsgáljuk. A gyakorlati foglalkozások során a résztvevők a PyTorch Geometric és a DGL könyvtárak segítségével alkalmazzák a GNN-eket valós adatkészleteken. A kurzus a gráf-tanulás területén jelenlegi kutatási trendek, a skálázhatósággal kapcsolatos kihívások és az értelmezhetőség megvitatásával zárul.
A tanfolyam végén 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 alapismeretek 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 társai: „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