Proseminar: Methoden zur Analyse von Graphen und Netzwerken

Die Welt ist komplex, genauso wie ihre Daten. Graphen (oder Netzwerke) nehmen eine Schlüsselstellung in der Analyse komplexer Daten und in der Integration von Datenebenen ein. Sie ermöglichen das Abbilden und die formale Untersuchung von Zusammenhängen zwischen Entitäten (Knoten).

Im Laufe des Seminars werden wir uns mit verschiedenen computergestützten Analysemethoden von Graphen und Netzwerken beschäftigen. Dazu lernen wir unterschiedliche Arten und Eigenschaften von Graphen und den allgemeinen Umgang mit ihnen kennen. Zudem werden Anwendungsbereiche von Graphen wie soziale oder biologische Netzwerke besprochen.

Beispiele für konkrete Themen sind hierbei

  • Grundlegende Eigenschaften von Graphen und Knoten und wie man sie bestimmt: kürzeste Wege, Zentralitäten, Gradverteilung, Clustering-Koeffizienten
  • Über sieben Knoten musst du gehen – Die kleine-Welt Eigenschaft sozialer Interaktionsnetzwerke
  • Cluster und Gemeinschaften in Netzwerken
  • Anwendung: Netzwerke zum Abbilden von molekularen Regulationen
  • Zufallsgraphen und ihre Anwendung
  • Arbeiten mit großen Netzwerken, repräsentative Subgraphen
  • Modellierung von Informations- und Signalfluss in Graphen und Finden von Signalquellen
  • Knoten als Zahlen – Graph-basierte Einbettungsmethoden
  • Graphen und maschinelles Lernen: Graph neuronale Netzwerke (GNNs)

 

Teilnahme

  • Seminar Präsentation: mittwochs, 4 - 6pm, Raum T9/053, 30 min Vortrag + Diskussion

  • Schriftliche Ausarbeitung (Report): 3.000 - 4.000 Wörter (ca. 6 Seiten), Deadline: 15. März 2024, Abgabe: 1 PDF-Datei mit Beschreibung des Themas und zusätzlicher Literatur

  • Aktive Teilnahme:

    • Abstract des nächsten Themas lesen oder die Graphiken anschauen (wenn kein Abstract vorhanden ist) und einen Tag vorm Seminar 1 Frage zum Thema an uns schicken (pauline.hiort@fu-berlin.de)

    • Feedback für die Vortragenden nach dem Vortrag geben

Bei inhaltlichen oder sonstigen Fragen helfen wir gerne weiter (pauline.hiort@fu-berlin.de oder katharina.baum@fu-berlin.de).

 

Links zu den Publikationen:

  • Link zum box.FU Ordner mit den pdfs der Publikationen: https://box.fu-berlin.de/s/Y2iS7JBKawCczyY

  • Für die Themen 1 (Intro to networks), 2 (Intro to random graphs), 5 (Intro to community detection) und 10 (Intro to information flow) sind die Buchkapitel online verfügbar: http://networksciencebook.com/

  • Die Publikation für Thema 14 (Intro to GNNs) ist auch online verfügbar: https://distill.pub/2021/gnn-intro/

 

Agenda

Datum

Thema

Präsentation von

18.10.23

Introduction to networks

Niclas

25.10.23

Introduction to random graphs

Levin

01.11.23

Introduction to community detection

Jan

08.11.23

-

Fällt aus

15.11.23

Community detection

Jakob

22.11.23

Generative network models

Kunzhi

29.11.23

Subgraph extraction

Gabriel

06.12.23

Molecular networks

 Fällt aus

13.12.23

Single sample molecular networks

 Fällt aus

20.12.23

Introduction to information flow

Daniel

27.12.23

  

Weihnachtsferien

03.01.24

  

Weihnachtsferien

10.01.24

Information flow

Moritz

17.01.24

Source detection

Vincent W.

24.01.24

Introduction to neural networks

Mert

31.01.24

Node embedding

Osman

07.02.24

Introduction to graph neural networks

Ya-Ting

14.02.24

Source detection with GNNs

Vince

 

Literatur

Examples for employed literature

  1. "Network Science" by A. L. Barbarasi (http://networksciencebook.com/): Different chapters from the book Network Science about the basics of graphs and networks
  2. "node2vec: Scalable Feature Learning for Networks" by  A. Grover and J. Leskovec (https://doi.org/10.1145/2939672.2939754): Publication about a graph-based embedding where nodes are coded as vectors
  3. "A Gentle Introduction to Graph Neural Networks" by B. Sanchez-Lengeling and others (https://distill.pub/2021/gnn-intro/):  Article introducing the topic of graph neural networks