Maschinelles Lernen mit Graphen

Die Nachwuchsforschungsgruppe „Graphbasiertes maschinelles Lernen“ unter der Leitung von Dr. Martin Ritzert untersucht, wie strukturierte Daten wie Graphen und Hypergraphen mit modernen Methoden des maschinellen Lernens kombiniert werden können, um Modelle zu entwickeln, die komplexe relationale Strukturen effektiver auswerten. Die Gruppe konzentriert sich auf grundlegende Fragen: Wie lassen sich generative Modelle entwerfen, die Topologie und Geometrie berücksichtigen? Wie lassen sich neuronale Netze für die kombinatorische Optimierung trainieren? Und wie lassen sich aktuelle Methoden des maschinellen Lernens (ML) auf Graphen generell über ihre Grenzen hinaus weiterentwickeln? Ein Großteil der Arbeit ist empirischer Natur und konzentriert sich auf die Entwicklung graph-neuronaler Architekturen, die zuverlässig funktionieren und gleichzeitig auf reale Datensätze skalierbar sind.

Projekte

Ein zentrales Projekt der Gruppe ist die Entwicklung generativer Modelle für Graphen und baumartige Strukturen, die zudem realistische 3D-Positionen für jeden Knoten erzeugen. Diese Arbeit ist durch biologische Daten motiviert, insbesondere durch 3D-Neuronscans, deren komplexe Verzweigungen für generative Modelle nach wie vor schwer zu erfassen sind. Durch die Erstellung von Modellen, die realistische neuronale Formen generieren können, möchte die Gruppe Untersuchungen zu Konnektivitätsmustern, morphologischer Vielfalt und strukturellen Prinzipien im Gehirn unterstützen. Diese Methoden lassen sich auch auf andere verzweigte Systeme übertragen, darunter Lungenstrukturen und botanische Bäume.

Ein zweiter wichtiger Forschungsschwerpunkt untersucht, wie Maschinelle Lernmodelle mit Nachrichtenübermittlung – die führende Machine-Learning-Methodik für große Graphen, die als verteilte Agenten interpretiert werden können – lernen können, klassische kombinatorische Probleme zu lösen. Dazu gehört das Erlernen von Nachrichtenprotokollen und damit von verteilten Algorithmen für Aufgaben wie die Graphenfärbung oder die Suche nach unabhängigen Mengen. Außerdem wird untersucht, wann und wie sich das Lernen mit traditionellen algorithmischen Ansätzen kombinieren lässt, um deren Leistung zu steigern. Weitere explorative Arbeiten wenden graphbasiertes maschinelles Lernen auf relationale Datenbanken an, in denen strukturelle Informationen zwar von zentraler Bedeutung sind, von aktuellen ML-Methoden jedoch oft nicht ausreichend genutzt werden.

Team

Leitung

Die Gruppe wird von Dr. Martin Ritzert geleitet, der im Februar 2026 als Nachwuchsgruppenleiter zu ScaDS.AI Dresden/Leipzig kam. Er studierte Informatik an der RWTH Aachen, wo er sowohl seinen Bachelor- als auch seinen Masterabschluss absolvierte, bevor er in theoretischer Informatik promovierte. Während seiner Promotion begann er, sich mit maschinellem Lernen in Graphen zu beschäftigen, und veröffentlichte einflussreiche Arbeiten zur Ausdruckskraft von Graphen-Neuralnetzwerken. Seine anschließende Postdoc-Tätigkeit in Aarhus vertiefte seine Auseinandersetzung mit der Theorie des maschinellen Lernens, einschließlich Fortschritten bei Boosting-Methoden, während sein Postdoc in Göttingen seinen Fokus auf Data Science, Clustering und Graph-Lernen erweiterte. Dort arbeitete er erstmals mit 3D-Neuronen-Scan-Daten. Weitere Informationen zu seiner Arbeit finden Sie auf seiner persönlichen Website: https://scads.ai/about-us/people/martin-ritzert/

Dr. Martin Ritzert

Universität Leipzig

Teammitglieder

Thanh-Van Huynh

Universität Leipzig

Junior Research Group

Publikationen

Bislang liegen keine Veröffentlichungen der Nachwuchsforschungsgruppe vor.
Veröffentlichungen von Dr. Martin Ritzert finden Sie in seinem Google Scholar-Profil.