Lernen von Relationalen Repräsentationen für komplexere Graphen

In this thesis, we argue for the need to expand graph neural network models to more complex graph types. We benchmark common GNN architectures on simple graphs. Then, we introduce local and hard pooling layer to modify graph topology. We apply GNNs to two tasks: Vehicle behaviour prediction on the highway (introducing edge features) and high-voltage power grid control (introducing more complex edge features and heterogeneous nodes). We use the latter's output to warm-start a classical optimizer. In dieser Arbeit argumentieren wir dafür, Graph Neural Network-Modelle für komplexere Graphen zu erweitern. Wir evaluieren häufig verwendete GNN-Architekturen auf einfachen Graphen. Dann entwickeln wir ein lokales und hartes Pooling-Layer um die Graphtopologie zu modifizieren. Wir wenden GNNs auf zwei Aufgaben an: Verkehrsprädiktion auf der Autobahn und Kontrolle von Hochspannungsnetzen. Die Ergebnisse von letzterem nutzen wir als Startpunkt für einen klassischen Optimierer.