Deep Learning for Graph Data Analysis

2023/2024

Academic Year

RUS

Instruction in Russian

5

ECTS credits

Delivered at:

Big Data and Information Retrieval School

Course type:

Elective course

When:

4 year, 1, 2 module

Instructors

Валитов Эльдар Рафекович

Fedorov, Pavel

Программа дисциплины

Аннотация

В данном курсе рассматриваются классические и глубинные подходы для работы с данными, имеющими графовую структуру, - такими как, например, социальные сети, дорожные графы и графы знаний. В курсе, помимо классических постановок задач из машинного обучения, будут рассмотрены и довольно важные, специфичные для области задачи - например, восстановление графа знаний и генерация графов с заданными свойствами. Особый акцент будет сделан на глубинную парадигму работы с графами: вы познакомитесь с графовыми нейронными сетями и концепцией графовых сверток.

Цель освоения дисциплины

• Понимание смысла применения графовых нейросетей
• Умение создавать и объяснять выбранную архитектуру графовой нейронной сети
• Знание и умение пользоваться популярными библиотеками в области графового анализа данных

Планируемые результаты обучения

• Познакомиться с графовыми нейронными сетями и концепцией графовых сверток
• Восстановить граф знаний и сгенерировать графы с заданными свойствами
• Работать с данными, имеющими графовую структуру

Содержание учебной дисциплины

• Постановка смысла применения графовых нейросетей. Повторение базовых алгоритмов на графах.
• Алгоритмы на графах и переход в графовые нейросети.
• Графовые нейросети и принципы их обучения.
• Применение графовых нейросетей в задачах Computer Vision.
• Применение графовых нейросетей в задачах Natural Language Processing.
• Графовые свертки.
• Графы знаний (Knowledge Graphs)
• Эмбеддинги на графах
• Генеративные графовые нейросети
• Применение графовых нейросетей в рекомендательных системах
• Применение графовых нейросетей в антифроде
• Разбор специфичных практических применений из последних успешных проектов (по типу уникального распознавания mnist, дорожных сетей)

Элементы контроля

• Домашнее задание 1
  Выдается после лекции 3, содержит теоретические задачи по пройденным темам, оценивается в 10 баллов.
• Домашнее задание 2
  Выдается после лекции 6, содержит практическую задачу на применение графовых сверток, оценивается в 10 баллов.
• Домашнее задание 3
  Выдается после лекции 7, содержит практическую задачу на применение графовых нейросетей в задачах, связанных с графами знаний, оценивается в 15 баллов.
• Домашнее задание 4
  Выдается после лекции 9, содержит практическую задачу на применение графовых генеративных сетей, оценивается в 20 баллов.
• Домашнее задание 5
  Выдается после лекции 10, содержит теоретические задачи на понимание статей по графовым нейросетям, оценивается в 15 баллов.
• Экзамен
  Экзамен представляет собой: 1) защиту дополнительного проекта - студент должен объяснить как решал задачу, смысл написанного им кода 2) устный ответ на теоретические вопросы по программе курса по билетам

Промежуточная аттестация

• 2023/2024 учебный год 2 модуль
  0.14 * Домашнее задание 1 + 0.14 * Домашнее задание 2 + 0.14 * Домашнее задание 3 + 0.14 * Домашнее задание 4 + 0.14 * Домашнее задание 5 + 0.3 * Экзамен

Список литературы

Рекомендуемая основная литература

• Network science, Barabasi, A.-L., 2019

Рекомендуемая дополнительная литература

• Алгоритмы. Построение и анализ : пер. с англ., Кормен Т., Лейзерсон Ч., 2012