Descripción del proyecto
Romper el techo de cristal del aprendizaje automático de grafos
Los grafos son fundamentales para representar datos estructurados en campos que van de la biología a las redes sociales, pasando por las redes eléctricas. A pesar de sus promesas, el aprendizaje automático de grafos (AAG) se enfrenta a un reto crítico: la falta de una teoría fundacional. Las redes neuronales gráficas (GNN) actuales se basan en algoritmos de transmisión de mensajes, que presentan importantes limitaciones teóricas y prácticas. Además, no tienen en cuenta las diversas características de los grafos de distintos dominios, lo cual da lugar a resultados poco fiables. En este contexto, el proyecto MALAGA, financiado por el Consejo Europeo de Investigación, desarrollará una teoría innovadora para el AAG. Al abordar las limitaciones de los métodos existentes, el equipo de MALAGA pretende mejorar el rendimiento, la fiabilidad y la adaptabilidad de las GNN, centrándose en las redes biológicas, las redes sociales y los sistemas de recomendación en línea.
Objetivo
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.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias naturalesinformática y ciencias de la informacióninternet
- ingeniería y tecnologíaingeniería de materiales
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Régimen de financiación
HORIZON-ERC - HORIZON ERC GrantsInstitución de acogida
75794 Paris
Francia