Graph representation learning in smart environments
Grafen maken op basis van een slimme omgeving
Dit onderzoek richt zich op het leren van effectieve representaties van graaf-gestructureerde data om inferentie in slimme omgevingen te verbeteren. Hoewel geavanceerde deep learning-modellen zeer succesvol zijn op rasters of sequenties, vormen grafen een unieke uitdaging vanwege hun variabele omvang, onregelmatige structuur en het ontbreken van een expliciet concept van lokaliteit. Deze kenmerken maken het verre van triviaal om conventionele architecturen, zoals convolutionele neurale netwerken, direct toe te passen op graaf-gebaseerde data.
Andres Tello Guerrero onderzoekt in zijn proefschrift de herkenning van menselijke activiteiten (HAR) met behulp van draagbare en mobiele sensoren. In deze context is de graaftopologie niet expliciet gegeven en moet deze uit de data worden afgeleid. HAR wordt hierbij benaderd als een graafclassificatieprobleem. Tello Guerrero laat zien hoe gangbare HAR-methodologieën kunnen leiden tot misleidende en onpraktische resultaten, wat de noodzaak voor onbevooroordeelde evaluatiestrategieën onderstreept. Vervolgens stelt hij een contrasterende learning-methode voor om globale en lokale afhankelijkheden te vangen op basis van verschillende graafconstructies, wat leidt tot aanzienlijke verbeteringen in de classificatienauwkeurigheid.
Vervolgens richt Tello Guerrero zich op waterdistributienetwerken (WDN's), waarbij de graaftopologie expliciet wordt gedefinieerd door de lay-out van het netwerk. De taak is geformuleerd als een regressieprobleem op knooppuntniveau, gericht op het reconstrueren van druksignalen in het hele netwerk op basis van een beperkt aantal sensoren. Tello Guerrero introduceert een graaf-gebaseerd model, samen met robuuste trainings- en evaluatiestrategieën, wat resulteert in een nieuwe state-of-the-art aanpak. Tot slot bespreekt hij hoe deze vorderingen de ontwikkeling van Graph Foundation Models voor WDN's kunnen ondersteunen, waarbij de belangrijkste uitdagingen en strategieën voor de realisatie hiervan worden geschetst.
Andres Tello Guerrero voerde zijn onderzoek uit bij het Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence. Hij vervolgt zijn loopbaan als postdoc bij deze universiteit.