Name des Teilnehmers: Daniel Zügner
Beschreibung des IT-Forschungsprojekts: Graph-neuronale Netze (GNNs) haben das Potenzial von Deep Learning in die Graph-Domäne übertragen. Da Graphen zentral für viele wichtige Anwendungen sind, werden GNNs als wichtige Modellklasse im Bereich des maschinellen Lernens (ML) angesehen. Im Gegensatz zu traditionellem ML für Text oder Bilder werden bei ML für Graphen die einzelnen Datenpunkte nicht in Isolation betrachtet; stattdessen wird ein Datenpunkt zusammen mit seinen Verknüpfungen zu anderen Daten betrachtet. Nach dem Sprichwort “gleich und gleich gesellt sich gern” können GNNs sogar Vorhersagen für Knoten nur anhand ihrer Nachbarn im Graphen und ohne Berücksichtigung ihrer Eigenschaften treffen.
Trotz des kürzlichen Durchbruchs im Bereich Network Mining durch GNNs gibt es einige Hindernisse, die der weitverbreiteten Nutzung von Deep Learning für Graphen in der realen Welt im Weg stehen, insbesondere für sensible Bereiche wie Medizin oder autonomes Fahren.
Das Ziel dieses Projekts ist die Entwicklung verlässlicher GNNs, die robuster sind gegenüber Anomalien in den Daten und außerdem sinnvolle Abschätzungen der Unsicherheit in den Vorhersagen produzieren.
Software Campus-Partner: TU München, Huawei
Umsetzungszeitraum: 01.02.2021 bis 30.04.2022
