Benutzer: Gast  Login
Originaltitel:
On the Convergence of Structure and Geometry in Graph Neural Networks
Übersetzter Titel:
Zur Konvergenz von Struktur und Geometrie in Graph-neuronalen Netzen
Autor:
Gasteiger, Johannes
Jahr:
2023
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Günnemann, Stephan (Prof. Dr.)
Gutachter:
Günnemann, Stephan (Prof. Dr.); Bronstein, Michael (Prof., Ph.D.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
Stichworte:
Machine learning, graph, molecule, graph neural network
Übersetzte Stichworte:
Maschinelles Lernen, Graph, Molekül, Graph-neuronale Netze
TU-Systematik:
DAT 600; DAT 703; DAT 708
Kurzfassung:
Graph neural networks (GNNs) have recently enabled great advances in leveraging graphs for accurate predictions. However, regular GNNs ignore the fact that graphs are often embedded in an underlying geometrical space. This thesis aims at alleviating this limitation by proposing and analyzing methods that go beyond structure and incorporate geometric information such as distances and directions. This enables models that are more accurate and robust, generalize better, and scale to larger graphs.
Übersetzte Kurzfassung:
Graph-neuronale Netze (GNNs) haben große Fortschritte darin ermöglicht, Graphen für maschinelle Vorhersagen zu nutzen. Jedoch ignorieren reguläre GNNs, dass der sichtbare Graph oft in einen geometrischen Raum eingebettet ist. Diese Dissertation erweitert deshalb GNNs durch Methoden, die strukturelle Informationen mit geometrischen Informationen wie Distanzen und Richtungen verbinden. Dies ermöglicht Modelle, die präziser und robuster sind, besser generalisieren und zu großen Graphen skalieren.
WWW:
https://mediatum.ub.tum.de/?id=1660288
Eingereicht am:
12.07.2022
Mündliche Prüfung:
03.03.2023
Dateigröße:
6644541 bytes
Seiten:
210
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230303-1660288-1-9
Letzte Änderung:
27.04.2023
 BibTeX