Lehre/Seminar Graph Representation Learning/en
Graph Representation Learning
| Type of course | seminar |
| Lecturer(s) | Michael Färber |
| Instructor(s) | Chen Shao |
| Subject | Maschinelles Lernen, Künstliche Intelligenz, Data Science |
| Credit Points | |
| Control of Success | |
| Term | summer |
You find additional information, the time schedule and room numbers in the University Course Overview.
Course Overview http://ilias.studium.kit.edu
Student Portal https://campus.studium.kit.edu
DE
Graphen sind eine natürliche Möglichkeit, die Informationen von Objekten und die topologische Beziehung zwischen ihnen darzustellen. Sie sind die Grundlage für verschiedene Anwendungen, die von Empfehlungssystemen, Finanzen, sozialen Netzwerken und persönlichen Assistenten (z. B. Alexa) reichen.
In diesem Seminar lesen, diskutieren und arbeiten die Studierenden an Graphalgorithmen auf der Grundlage wissenschaftlicher Literatur, einschließlich neuester Methoden zur Analyse und Erstellung großer Graphen (etwa Link Prediction auf Wissensgraphen unter Verwendung von Graph Neural Networks) und Methoden, um das Verhalten von neuronalen Netzen, welche auf Graphen basieren, erklärbar zu machen (z.B. durch das Generieren von Text auf Basis eines Subgraphen).
EN
Graphs are a natural way to represent the information of objects and the topological relationship between them. They are the basis for various applications ranging from recommender systems, finance, social networks, and personal assistants (e.g., Alexa).
In this seminar, students will read, discuss, and work on graph algorithms based on scientific literature, including most recent methods for analyzing and creating large graphs (e.g., link prediction on knowledge graphs using graph neural networks), and methods for making the behavior of neural networks based on graphs explainable (e.g., generating text based on a subgraph).