Silvia Beddar-Wiesing und Alice Moallemy-Oureh gewannen den ersten und den dritten Platz in der Student Research Competition des 37th ACM/SIGAPP Symposium On Applied Computing (https://www.sigapp.org/sac/sac2022/), das vom 25. bis 29. April 2022 stattfand!

Silvias Forschungsarbeit mit dem Titel "Using Local Activity Encoding for Dynamic Graph Pooling in Structural-Dynamic Graphs" (Lokale Aktivitätskodierung für dynamisches Graphen-Pooling in strukturell-dynamischen Graphen) stellt ein Vorverarbeitungsmodul für die Behandlung strukturell-dynamischer Graphen durch lokale Aktivitätskodierung und anschließendes Pooling vor, das zu einer Graphenfolge konstanter Größe führt. Alice' studentische Forschungsarbeit mit dem Titel "Continuous-Time Generative Graph Neural Network for Attributed Dynamic Graphs" schlägt einen Einbettungsansatz für attributdynamische Graphen in zeitkontinuierlicher Darstellung vor, der einen Variationsgraphen-Autoencoder für die Knoteneinbettungen verwendet, deren Dynamik weiterhin durch eine Gaußsche Regressionsfunktion beschrieben wird. Das Papier kann hier gefunden werden: Using Local Activity Encoding for Dynamic Graph Pooling in Structural-Dynamic Graphs, Continuous-Time Generative Graph Neural Network for Attributed Dynamic Graphs

Wir freuen uns und sind stolz auf die positive Resonanz auf ihre Arbeit sowie auf ihre Präsentationen, die bereits viele Themen des GAIN-Projekts abdecken.

Werfen Sie hier einen Blick auf die Gewinnervorträge:

Silvia Beddar-Wiesing '"Using Local Activity Encoding for Dynamic Graph Pooling in Structural-Dynamic Graphs"' (https://www.youtube.com/watch?v=WuC5GFQwSlM)

Alice Moallemy-Oureh "Continuous-Time Generative Graph Neural Network for Attributed Dynamic Graphs" (https://www.youtube.com/watch?v=nkDYaNOIQ5M)