Aprendizaje Automático para Datos en Grafos-semestral

Estudiaremos el problema de inferencia de topología de la red. Por ejemplo, las GNNs que estudiaremos en el siguiente tema presuponen que se dispone de un grafo que contiene información relevante sobre el problema a resolver. Sin embargo, tal suposición es a menudo insostenible en la práctica — el grafo puede ser desconocido y deseamos estimar su estructura a partir de observaciones de señales en los nodos. Presentaremos diversos métodos comenzando por enfoques estadísticos basados en modelos gráficos, inferencia de correlaciones y algoritmos para problemas en altas dimensiones. Luego estudiamos avances recientes inspirados en modelos de Graph Signal Processing (GSP) de una manera integral y unificadora, con aplicaciones a mobilidad urbana, clasificación de emociones, e identificación de la estructura de proteínas, entre otras. 

Material

Clase 1

Clase 2

Clase 3

Clase 4

Lectura suplementaria recomendada

• G. Mateos, S. Segarra, A. G. Marques, A. Ribeiro, "Connecting the dots: Identifying network structure via graph signal processing," 2019.
• X. Dong, D. Thanou, M. Rabbat, P. Frossard, "Learning graphs from data: A signal representation perspective," 2019.
• G. B. Giannakis, Y. Shen, G. V. Karanikolas, "Topology Identification and Learning over Graphs: Accounting for Nonlinearities and Dynamics," 2018.
• J. Friedman, T. Hastie, R. Tibshirani, "Sparse inverse covariance estimation with the graphical lasso," 2008.
• S. Segarra, A. G. Marques, G. Mateos, A. Ribeiro, "Network topology inference from spectral templates," 2016.
• V. Kalofolias, "How to learn a graph from smooth signals," 2016.