Machine learning on graphs

Introduzione al Machine Learning su Grafi
- Fondamenti di teoria dei grafi: definizioni di base (nodi, archi, grado, cammini, connettività, centralità), tipi di grafi (orientati, pesati, multigrafi, bipartiti, ecc.), rappresentazioni computazionali (liste di adiacenza, matrici).
- Terminologia e notazione standard usata nella letteratura e nelle implementazioni.
- Motivazioni e contesto: perché i grafi sono una struttura dati naturale per il machine learning.
- Applicazioni: esempi da biologia (reti di interazione proteica), scienze sociali (reti sociali), finanza (rilevamento frodi), industria (manutenzione predittiva), rappresentazione della conoscenza.

Machine Learning su Grafi senza Feature Learning
- Compiti principali:
-- Classificazione dei nodi basata su proprietà strutturali.
-- Predizione degli archi basata sulla topologia del grafo.
- Metodi basati sulla topologia:
-- Similarità strutturali (Common Neighbors, Jaccard, Adamic-Adar).
-- Random walk e PageRank per ranking e inferenza.
- Graph Kernel e Graph SVM:
-- Kernel tra grafi e sottostrutture (basati su cammini, sottoalberi, graphlet).
-- Uso dei kernel nei classificatori SVM.
- Tecniche di clustering su grafi:
-- Metis (partizionamento basato sulla minimizzazione dei tagli).
-- Leiden e Infomap (rilevamento di comunità).
- Casi di studio: classificazione e clustering su dataset reali (es. reti di citazioni, reti sociali).

Graph Representation Learning con Shallow Networks
- Motivazioni per l'embedding dei grafi: ridurre la complessità strutturale, mappare nodi/archi/grafi in spazi vettoriali.
- Metodi shallow (non end-to-end):
-- DeepWalk: random walk + modello Skip-gram.
-- node2vec: estensione di DeepWalk con esplorazione guidata (BFS/DFS).
-- LINE: preservazione della prossimità di primo e secondo ordine.
- Valutazione degli embedding:
-- Metriche per link prediction, classificazione dei nodi e clustering.
-- Benchmark su dataset standard.

Graph Representation Learning con Deep Feature Learning
- Introduzione alle Graph Neural Networks (GNNs)
-- Concetti fondamentali: message passing, aggregazione, aggiornamento.
-- Differenze tra GNN e MLP/CNN tradizionali.
- Architetture principali:
-- Graph Convolutional Networks (GCNs): convoluzione spaziale su grafi.
-- Graph Attention Networks (GATs): meccanismi di attenzione per aggregazione pesata.
-- GraphSAGE: campionamento dei vicini e aggregazione differenziabile.
- Aspetti avanzati del training:
-- Tecniche di mini-batching e sampling.
-- Over-smoothing e regolarizzazione.
-- Negative sampling per training efficiente.
- Implementazione e valutazione:
-- Framework (PyTorch Geometric, DGL).
-- Pipeline di addestramento e validazione.

Graph Representation Learning per Reti Eterogenee e Knowledge Graphs
- Definizione di reti eterogenee: grafi con tipi multipli di nodi e archi.
- Knowledge graphs: grafi con relazioni tipate e semantica esplicita (triplette soggetto-predicato-oggetto).
- Metodi di embedding per reti eterogenee:
-- metapath2vec: random walk guidato da meta-path.
-- HERec: decomposizione di meta-path + embedding personalizzati.
-- R-GCN: estensione delle GCN per dati relazionali.
-- HAN: attenzione gerarchica su meta-path.
- Metodi di embedding per knowledge graphs:
-- Metodi traslazionali: TransE, TransH.
-- Metodi basati su fattorizzazione: DistMult, ComplEx.
- Applicazione:
-- Sistemi di raccomandazione basati su knowledge graph.

Graph Representation Learning per Reti Temporali
- Introduzione ai grafi temporali:
-- Definizioni: grafi che evolvono nel tempo (eventi, nodi/archi dinamici).
-- Classificazione: basati su snapshot (tempo discreto) vs. basati su eventi (tempo continuo).
- Metodi per grafi temporali discreti:
-- Varianti di GCN basate su snapshot.
-- Random walk temporali e adattamenti di node2vec/DeepWalk.
- Metodi per grafi dinamici in tempo continuo:
-- TGN (Temporal Graph Networks): rappresentazione di nodi/eventi con memoria.
-- TGAT (Temporal Graph Attention Networks): meccanismi di attenzione temporale.
- Casi di studio:
-- Evoluzione di reti sociali.
-- Predizione di eventi in reti di comunicazione o finanziarie.