Denna kurs ger en introduktion till de teoretiska grunderna, arkitekturerna och tillämpningarna av grafiska neurala nätverk (GNN). Kursen behandlar ramverk för meddelandeöverföring, grafkonvolutionsmodeller samt avancerade arkitekturer för heterogena och dynamiska grafer. Studenterna kommer att lära sig att utforma, implementera och utvärdera GNN för uppgifter såsom nodklassificering, länkprediktion och inlärning av representationer på grafnivå.
Kursen ger en omfattande förståelse för grafbaserad djupinlärning. Den inleds med grundläggande begrepp inom grafteori och nätverksrepresentation, följt av en ingående genomgång av spektrala och rumsliga GNN-formuleringar. Viktiga modeller, däribland GCN, GAT, GraphSAGE och heterogena GNN:er, behandlas. Under de praktiska övningarna tillämpar deltagarna GNN med hjälp av biblioteken PyTorch Geometric och DGL på verkliga datamängder. Kursen avslutas med en diskussion om aktuella forskningstrender, utmaningar kring skalbarhet och tolkbarhet inom grafinlärning.
När kursen är avslutad kommer deltagaren att kunna:
förklara de matematiska principerna som ligger till grund för inlärning av grafrepresentationer.
implementera och träna standardiserade GNN-arkitekturer.
utvärdera modellens prestanda på grafstrukturerade data.
utforma och anpassa GNN-arkitekturer för nya uppgifter och heterogena grafer.
kritiskt analysera forskningsartiklar inom GNN-området.
Gedigen bakgrund inom linjär algebra, sannolikhetslära och maskininlärning.
Praktisk kunskap om Python och ramverk för djupinlärning (helst PyTorch).
Rekommenderas: W. Hamilton, *Graph Representation Learning*, Morgan & Claypool, 2020.
Rekommenderas: Z. Wu m.fl., ”A Comprehensive Survey on Graph Neural Networks”, IEEE Transactions on Neural Networks and Learning Systems, 2021.
T. Kipf och M. Welling, ”Semi-Supervised Classification with Graph Convolutional Networks”, ICLR, 2017.
Y. Hu m.fl., ”Heterogena grafiska neurala nätverk för skalbar optimering av det asymmetriska resande försäljarproblemet”, Neurocomputing, 2025.
Föreläsningar om teori och modellutformning.
Programmeringslaboratorier för implementering och experiment.
Gruppprojekt där GNN tillämpas på en verklig datamängd.
Diskussioner om vetenskapliga artiklar och studentpresentationer om aktuell forskning.
Studieutdrag