Representations of Graphs and Their Impact on Graph Neural Networks
Hur lär AI bäst av grafdata? Genom att strukturera data som matematiska grafer kan vi låta AI lära sig relationer mellan allt från vetenskapliga artiklar till personer i ett socialt nätverk. Men hur graferna ska designas kan visa sig vara avgörande för hur väl dessa AI-modeller presterar. Majoriteten av världens data är sparad i relationsdatabaser. Dessa består av tabeller där varje datapunkt ärGraph Neural Networks (GNNs) are increasingly used for predictive tasks on data where relationships between entities are best represented as graphs. Much work has been done to improve GNN architectures, but how the ac- tual data graph should be designed is not well studied. In this Master’s Thesis, we investigate how different graph representations, specifically node classification and link predic
