Como hemos ido viendo en esta Web, el uso de GPUs y nuevos modelos de deep learning ha logrado grandes avances en visión artificial, procesamiento de lenguaje, juegos, etc. Para ello han sido clave modelos de redes neuronales multicapa, RNNs, CNNs y posteriormente transformers basados en el mecanismo de atención.
Por otro lado, en la última década los sistemas complejos y la ciencia de redes, que representa la realidad física o social usando nodos y enlaces y está basada en la teoría de grafos y la mecánica estadística, han tenido un gran desarrollo teórico y práctico: Caracterización de redes usando medidas topológicas y estadísticas, redes multicapa, dinámica en redes y dinámica de redes, transiciones de fase y universalidad, modelos basados en agentes, etc.
El objetivo de este proyecto es desarrollar y divulgar conocimiento de sistemas complejos, ciencia de redes y especialmente relacionar el deep learning y los sistemas complejos. Complementar los modelos de sistemas complejos con deep learning, aplicarlo sobre datos representados en redes tanto para resolver problemas sobre redes (clasificación de nodos, enlaces, propiedades de las redes, etc.) como para generar nuevas redes con unas propiedades determinadas.
A continuación se muestran los artículo de este proyecto:
- Introducción a NetworkX y a PyCX.
- Uso de técnicas de deep learning en modelos de sistemas complejos.
- Deep learning sobre redes estáticas y dinámicas.
- GNNs (Graph neural networks) en PyTorch.
- Modelos generativos de redes.
- Redes multicapa adaptativas.
Deja una respuesta