Dette kurset introduserer de teoretiske grunnlagene, arkitekturene og anvendelsene av grafiske nevrale nettverk. Det dekker rammeverk for meldingsoverføring, grafkonvolusjonsmodeller og avanserte arkitekturer for heterogene og dynamiske grafer. Studentene lærer å designe, implementere og evaluere GNN-er for oppgaver som nodeklassifisering, lenkeprediksjon og læring av representasjon på grafnivå.
Kurset gir en omfattende forståelse av grafbasert dyp læring. Det begynner med grunnleggende grafteori og nettverksrepresentasjonskonsepter, etterfulgt av detaljert studie av spektrale og romlige GNN-formuleringer. Viktige modeller, inkludert GCN, GAT, GraphSAGE og heterogene GNN-er, blir undersøkt. Praktiske økter involverer anvendelse av GNN-er ved hjelp av PyTorch Geometric- og DGL-biblioteker på virkelige datasett. Kurset avsluttes med en diskusjon om aktuelle forskningstrender, skalerbarhetsutfordringer og tolkbarhet i graflæring.
Ved slutten av kurset vil studenten kunne:
forklare de matematiske prinsippene som ligger til grunn for læring av grafrepresentasjon.
implementere og trene standard GNN-arkitekturer.
evaluere modellens ytelse på grafstrukturerte data.
designe og tilpasse GNN-arkitekturer for nye oppgaver og heterogene grafer.
kritisk analysere forskningsartikler innen GNN-feltet.
Solid bakgrunn i lineær algebra, sannsynlighetsregning og maskinlæring.
Arbeidskunnskap om Python og rammeverk for dyp læring (helst PyTorch).
Anbefalt: W. Hamilton, Læring av grafrepresentasjon, Morgan & Claypool, 2020.
Anbefalt: Z. Wu et al., «En omfattende undersøkelse av grafiske nevrale nettverk», IEEE Transactions on Neural Networks and Learning Systems, 2021.
T. Kipf og M. Welling, «Semi-overvåket klassifisering med grafkonvolusjonelle nettverk», ICLR, 2017.
Y. Hu et al., «Heterogene grafiske nevrale nettverk for skalerbar asymmetrisk problemoptimalisering med reisende selgere», Neurocomputing, 2025.
Forelesninger om teori og modelldesign.
Programmeringslaboratorier for implementering og eksperimentering.
Gruppeprosjekt som anvender GNN-er på et reelt datasett.
Paperdiskusjoner og studentpresentasjoner om nyere forskning.
Utskrift av journaler