Semesterprojekt 'Machine Learning auf Graphen'

Machine Learning (ML) ist aktuell ein sehr aktives Forschungsgebiet in der Informatik. Im Kontext von Graphen kann ML auf Klassifikationsprobleme angewendet werden, z.B. um einzelne Knoten oder ganze Graphen zu klassifizieren. Im Fall von Knotenklassifikation ist das Ziel dabei oft, ein Attribut (bzw. ein "Label") für jeden Knoten vorherzusagen. 

In diesem Kontext wurden in den vergangen 5 Jahren zahlreiche ML-Verfahren entwickelt. Herkömmliche ML-Modelle, wie beispielsweise Regressionsverfahren oder Deep Neural Networks (DNNs), lassen sich nicht ohne weiteres auf Graphdaten anwenden. Stattdessen ist für Graphdaten (i) entweder Preprocessing, (ii) oder der Einsatz von spezialisierten Modellen notwendig. In der ersten Kategorie gibt es Verfahren, die Graphen in euklidische Räume einbetten ("Representation Learning") und dann bekannte ML-Algorithmen (etwa DNNs) anwenden. In der zweiten Kategorie gibt es z.B. sogenannte Graph Neural Networks (GNNs), die den Graph selbst als künstliches neuronales Netz interpretieren und in jedem Knoten eine Aggregationsfunktion über alle Nachbarn des Knoten anwenden.

Ziel dieses Semesterprojekts ist es, in kleinen Teams verschiedene Verfahren zum ML auf Graphen zu implementieren und deren Genauigkeit in Anwendungsproblemen (z.B. Klassifikationsprobleme) zu evaluieren. Kenntnisse in C++ und Python ist eine Voraussetzung für die erfolgreiche Teilnahme an diesem Semesterprojekt.

Vorwissen über ML-Modelle ist nicht erforderlich. Solide mathematische Grundlagen sind jedoch zum Verständnis der Modelle hilfreich.