Potenzielle Interaktion von Graphenrekonstruktionsmethoden und Transformatoren

Themenfeld

Diese Forschungsarbeit untersucht das synergetische Potenzial zwischen Graphenrekonstruktionsmethoden und Transformer-Architekturen. Die Studie untersucht, wie Transformer-Modelle Graphenrekonstruktionsaufgaben verbessern können, indem sie weitreichende Abhängigkeiten und komplexe Strukturmuster erfassen. Umgekehrt wird untersucht, wie Graphenrekonstruktionsverfahren Transformatorarchitekturen informieren und verbessern können, wenn sie mit inhärent graphenstrukturierten Daten umgehen.

Aufgabenstellung

Du analysierst bestehende Methoden zur Graphenrekonstruktion (graphenrepräsentierte Geometrien) und Transformationsarchitekturen, um mögliche Integrationspunkte zu identifizieren. Sie werden neue hybride Modelle entwickeln, die Elemente aus beiden Bereichen kombinieren, um Herausforderungen bei der Vervollständigung, Erzeugung und Transformation von Graphen zu bewältigen. Sie werden theoretische Analysen darüber anstellen, wie Aufmerksamkeitsmechanismen für graph-strukturierte Daten angepasst werden können. Die Arbeit soll ein grundlegendes Verständnis der traditionellen Ansätze im Vergleich zu den neuen hybriden Methoden schaffen.

Vorkenntnisse

- Kenntnisse der mathematischen Grundlagen des maschinellen Lernens.
- Beherrschung von mindestens einem Graphenverarbeitungssystem (PyG, DGL, GraphScope).
- Erfahrung mit neuronalen Netzwerkarchitekturen.
- Gutes Englisch -> Die Arbeit sollte auf Englisch geschrieben werden.
- Programmierkenntnisse in Python, C++ oder Zig.

Ansprechpartner

Sebastian Baum