Couvre les concepts d'apprentissage profond, en se concentrant sur les graphiques, les transformateurs et leurs applications dans le traitement des données multimodales.
Couvre l'optimisation de la pseudométrie dans les graphes, en se concentrant sur la minimisation de la pseudométrie et de la métrique du chemin le plus court.
Introduit des hypergraphes, généralisant des graphiques en permettant à des sous-ensembles de nœuds de former des bords et d'explorer leurs applications dans différents domaines.
Explore l'analyse statistique des données du réseau, couvrant les réseaux échantillonnés bruyants, l'estimation de la probabilité, les réseaux multicouches et les réseaux dirigés.
Explore les représentations neuro-symboliques pour comprendre les connaissances et le raisonnement communs, en mettant l'accent sur les défis et les limites de l'apprentissage profond dans le traitement du langage naturel.
Explore la prédiction des rendements de réaction avec des modèles d'apprentissage en profondeur et l'importance d'ensembles de données de haute qualité en chimie.