Projektbeschreibung
Die gläserne Decke des maschinellen Lernens von Graphen durchbrechen
Graphen sind für die Darstellung strukturierter Daten in Bereichen von der Biologie über soziale Netzwerke bis hin zu Stromnetzen notwendig. Trotz ihrer vielversprechenden Möglichkeiten steht das graphenbasierte maschinelle Lernen vor einer entscheidenden Herausforderung: dem Fehlen einer grundlegenden Theorie. Derzeitige graphische neuronale Netze basieren auf nachrichtenbasierten Algorithmen, die erhebliche theoretische und praktische Einschränkungen aufweisen. Außerdem berücksichtigen sie nicht die unterschiedlichen Eigenschaften von Graphen aus verschiedenen Bereichen, woraus unzuverlässige Ergebnisse entstehen. Im Rahmen des ERC-finanzierten Projekts MALAGA wird daher eine bahnbrechende Theorie für das graphenbasierte maschinelle Lernen entwickelt. MALAGA versucht, die Leistung, Zuverlässigkeit und Anpassungsfähigkeit von graphischen neuronalen Netzen zu verbessern, indem es sich mit den Einschränkungen bestehender Methoden befasst, wobei der Schwerpunkt auf biologischen Netzen, sozialen Netzen und Online-Empfehlungssystemen liegt.
Ziel
In many scientic domains, graphs are the objects of choice to represent structured data: from molecules to social networks, power grids, the internet, and so on. The exploitation of graph data represents a major scientic and industrial challenge. Graph Machine Learning
(GML) is thus a fast-growing eld, with so-called Graph Neural Networks (GNN) at the forefront. However, in sharp contrast with traditional ML, the eld of GML has somewhat jumped from early methods to deep learning, without the decades-long development of well- established notions to compare, analyze and improve algorithms. As a result, 1) GNNs, all based on the so-called message-passing paradigm, have signicant limitations both practical and theoretical, and it is not clear how to address them, and 2) GNNs do not take into account the specicities of graphs coming from domains as dierent as biology or the social sciences. Thus, practical results may vary wildly from one case to the other, with no guidelines on how to design reliable GNNs in each case. Overall, these are the symptoms of an overlooked major issue: GML is hitting a glass ceiling due to its severe lack of a grand, foundational theory.
The ambition of project MALAGA is to develop such a theory. Solving the crucial limitations of the current theory is highly challenging: current mathematical tools cannot analyze the learning capabilities of GML methods in a unied way, existing statistical graph models do
not faithfully represent the many characteristics of modern graph data, computational complexity becomes problematic on large graphs. MALAGA will develop a radically new understanding of GML problems, and of the strengths and limitations of a large panel of algorithms. Our goal is to signicantly boost the performance, reliability and adaptivity of GNNs, with a signicant impact on three types of graph data that exhibit very dierent but representative behaviors: biological networks, social networks, and online recommender systems.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- NaturwissenschaftenInformatik und InformationswissenschaftenInternet
- Technik und TechnologieWerkstofftechnik
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) ERC-2024-STG
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-ERC - HORIZON ERC GrantsGastgebende Einrichtung
75794 Paris
Frankreich