Deze cursus biedt een inleiding tot de theoretische grondslagen, architecturen en toepassingen van grafische neurale netwerken (GNN’s). De cursus behandelt message-passing-frameworks, grafische convolutieve modellen en geavanceerde architecturen voor heterogene en dynamische grafen. Studenten leren GNN’s te ontwerpen, te implementeren en te evalueren voor taken zoals knooppuntclassificatie, linkvoorspelling en het leren van representaties op grafniveau.
De cursus biedt een uitgebreid inzicht in op grafen gebaseerd deep learning. De cursus begint met fundamentele concepten uit de graaftheorie en netwerkrepresentatie, gevolgd door een gedetailleerde bestudering van spectrale en ruimtelijke GNN-formuleringen. Belangrijke modellen, waaronder GCN, GAT, GraphSAGE en heterogene GNN’s, worden onder de loep genomen. Tijdens de praktijklessen worden GNN’s toegepast op datasets uit de praktijk met behulp van de bibliotheken PyTorch Geometric en DGL. De cursus wordt afgesloten met een bespreking van actuele onderzoekstrends, uitdagingen op het gebied van schaalbaarheid en de interpreteerbaarheid van grafiekleren.
Aan het einde van de cursus zal de cursist in staat zijn om:
-de wiskundige principes toelichten die ten grondslag liggen aan het leren van grafische representaties;
-standaard GNN-architecturen implementeren en trainen;
-de prestaties van het model op gegevens met een grafstructuur evalueren;
- GNN-architecturen ontwerpen en aanpassen voor nieuwe taken en heterogene grafen;
-onderzoeksartikelen op het gebied van GNN kritisch analyseren.
Een gedegen kennis van lineaire algebra, kansrekening en machine learning.
Praktische kennis van Python en deep learning-frameworks (bij voorkeur PyTorch).
Aanbevolen:
W. Hamilton, Graph Representation Learning, Morgan & Claypool, 2020.
Aanbevolen:
Z. Wu e.a., „A Comprehensive Survey on Graph Neural Networks“, IEEE Transactions on Neural Networks and Learning Systems, 2021.
T. Kipf en M. Welling, “Semi-supervised classificatie met grafische convolutionele netwerken,” ICLR, 2017.
Y. Hu e.a., “Heterogene grafische neurale netwerken voor schaalbare optimalisatie van het asymmetrische reizende-verkoperprobleem,” Neurocomputing, 2025.
Hoorcolleges over theorie en modelontwerp.
Programmeerlabs voor implementatie en experimenten.
Groepsproject waarbij GNN’s worden toegepast op een echte dataset.
Discussies over artikelen en presentaties door studenten over recent onderzoek.
Cijferlijst