Expressives und Effizientes Deep Learning auf Graph-Strukturierten Daten

dc.contributor.author	Fey, Matthias
dc.contributor.editor	Reischuk, Rüdiger
dc.date.accessioned	2023-11-09T13:38:08Z
dc.date.available	2023-11-09T13:38:08Z
dc.date.issued	2023
dc.description.abstract	Dise Arbeit stellt neue Ansätze für das maschinelle Lernen auf unregelmäßig strukturierten Eingabedaten wie Graphen, Punktwolken und Mannigfaltigkeiten vor. Insbesondere löst sich diese Arbeit von der Beschränkung konventioneller Deep Learning-Techniken auf reguläre Daten und bietet Lösungen für den Entwurf, die Implementierung und die Skalierung von Deep Learning-Methodiken auf Graphen an, bekannt als Graph Neural Networks (GNNs). Wir analysieren die Beziehung von GNNs zu traditionellen Verfahren des Deep Learnings und der Graph-Theorie, entwickeln skalierungsfähige GNN-Lösungen und stellen die PyG-Bibliothek für die effziente Realisierung von GNNs vor.	de
dc.identifier.isbn	978-3-88579-981-8
dc.identifier.uri	https://dl.gi.de/handle/20.500.12116/42611
dc.language.iso	de
dc.publisher	Gesellschaft für Informatik e.V.
dc.relation.ispartof	Ausgezeichnete Informatikdissertationen 2022 (Band D23)
dc.title	Expressives und Effizientes Deep Learning auf Graph-Strukturierten Daten	de
dc.type	Text/Conference Paper
gi.citation.endPage	50
gi.citation.publisherPlace	Bonn
gi.citation.startPage	41
gi.conference.date	14.-17.05.2023
gi.conference.location	Schloss Dagstuhl, Deutschland

Dateien

1 - 1 von 1