Graph-basierte Künstliche Intelligenz

Die graphbasierte Datenanalyse und das graphbasierte Lernen haben in letzter Zeit große Aufmerksamkeit auf sich gezogen, erfordern jedoch noch viel weitere Forschung. Wir entwickeln Open-Source-Prototypen für die skalierbare Verwaltung und Analyse von Daten, die entweder auf dem Property-Graph-Modell oder auf RDF basieren. Ein Eckpfeiler dabei ist das Lernen von Graphdarstellungen, wodurch Graphen direkt in einer Vielzahl von Ansätzen des maschinellen Lernens sowie in Techniken zum Verständnis natürlicher Sprache genutzt werden können. Diese Darstellungen bilden somit eine Brücke zwischen Wissensrepräsentation und maschinellem Lernen.

Forschungsschwerpunkte

Wir erweitern die Forschung im Bereich der Graphenanalyse und die Entwicklung des verteilten Open-Source-Systems GRADOOP. Wir entwickeln neue Techniken zur Indizierung und Graphzusammenfassung und wenden Mechanismen zur Verbesserung der Selektivität an, die aus Graphdatenbanken bekannt sind. Fortgeschrittenes Repräsentationslernen in Knowledge Graphs wird in das PyKEEN-Framework integriert, und wir erforschen wissensbasierte Methoden für komplexe Graphenmodelle.

Forschungsziele

• Analyse und maschinelles Lernen in dynamischen Graphen
• Skalierbare RDF-Graphenabfragen
• Repräsentationslernen in Wissensgraphen
• Graphenbasiertes Schlussfolgern und Ontologiesprachen