Tanszéki konzulens: 

Gézsi András docens Szoba: IE425 Tel.: +36 1 463-4116 Email: gezsi (*) mit * bme * hu

A gráf neurális hálózatok a neurális hálózatoknak jelenleg egyik legdinamikusabban fejlődő területét képezik.

A különféle entitások között fennálló páronkénti kapcsolatokra vonatkozó, ún. hálózatos tudás, illetve az ilyen jellegű adatok mennyisége szintén jelentősen növekszik. Számos területen, mind a természet- és a társadalomtudományokban, a gráf jellegű adatok általánosan elterjedtek és használatosak. A gráf neurális hálózatok alkalmazásának célja, hogy olyan rendszereket hozzunk létre, amelyek ezt a hálózatos tudást is felhasználják a tanulás, illetve következtetés során.

A gráfok klaszterezése a csomópontok olyan részhalmazainak azonosítását jelenti, amely részhalmazokban lévő csomópontok egymásra jobban hasonlítanak (pl. egymással sűrűbben összekötöttek, vagy bizonyos általános hasonlóság metrikák szerint közelebb vannak), mint a más részhalmazokban lévő csomópontok. Az ilyen módszerek több alkalmazás területen is nagyon hasznosnak bizonyultak, például ajánlórendszerekben, orvosbiológiai területen, vagy a társadalomtudományokban használt szociális hálózatokban.

A feladat során a gráfok klaszterezését gráf neurális hálózatokkal kell megvalósítani, majd össze kell hasonlítani különböző architektúrák teljesítőképességét más referencia módszerekkel.

Kapcsolódó cikkek:

O Shchur, S Günnemann. Overlapping community detection with graph neural networks. arXiv preprint arXiv:1909.12201, 2019 - arxiv.org https://doi.org/10.48550/arXiv.1909.12201

Feladatok jellege:

gráf neurális hálózati modellek alkotása, tanítása, kiértékelése, referencia módszerek alkalmazása

Keretrendszer:

pytorch, pytorch geometric