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:
-ismertesse a gráfábrázolás-tanulás alapjául szolgáló matematikai elveket;
- a szabványos GNN-architektúrák megvalósítása és betanítása;
-a modell teljesítményének értékelése gráfstruktúrájú adatokon;
- GNN-architektúrák tervezése és adaptálása új feladatokhoz és heterogén gráfokhoz;
- a GNN területén megjelent tudományos cikkek kritikai elemzése.
Szilárd alapismeretek a lineáris algebrában, a valószínűségszámításban és a gépi tanulásban.
A Python és a mélytanulási keretrendszerek (lehetőleg a PyTorch) gyakorlati ismerete.
Ajánlott:
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