يادگيري گراف برچسب‌دار به وسيله شبكه عصبي گراف

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

در دهه اخير، يادگيري عميق به شكل گسترده‌اي در زمينه پردازش و تحليل داده‌هاي گرافي مورد توجه قرار گرفته است. به دليل پيچيدگي و چالش‌هاي موجود در توليد و تحليل داده‌هاي گرافي، نياز به روش‌هاي پيشرفته‌تري براي مدل‌سازي و توليد گراف‌هاي دقيق و با كيفيت بالا احساس مي‌شود. در اين پژوهش، جديدترين پيشرفت‌ها در حوزه سيستم‌هاي منطقي و شبكه‌هاي عصبي به كار گرفته شده تا روشي نوآورانه براي بهبود مدل‌هاي مولد عميق با استفاده از دانش حوزه‌اي ارائه شود. اين روش با استفاده از منطق مرتبه اول، توانايي ارائه دانشي دقيق و قابل تفسير در مورد ساختارهاي رابطه‌اي را دارد كه در نهايت به بهبود كيفيت و صحت گراف‌هاي توليد شده منجر مي‌شود. اين پژوهش مبتني بر ايده‌هايي از يادگيري آماري-رابطه‌اي (SRL) است كه تركيبي از يادگيري آماري و مدل‌سازي روابط ساختاري بين موجوديت‌ها است. در اين رويكرد، از داده‌هاي رابطه‌اي براي استخراج الگوها و پيش‌بيني استفاده مي‌شود، به‌ويژه وقتي كه داده‌ها به صورت گراف يا شبكه نمايش داده شوند. ادغام منطق و مدل‌هاي آماري در اين حوزه كمك مي‌كند قوانين منطقي در تحليل گراف‌ها به كار برده شود. يكي از مفاهيم كليدي اين حوزه، انطباق ممان‌هاي قوانين (Rule Moment Matching) است كه به معني تلاش مدل براي شبيه‌سازي الگوهاي روابط بين موجوديت‌ها به‌صورت مشابه با داده‌هاي واقعي است. هدف اين روش، درك درست مدل از نحوه ارتباط موجوديت‌ها با يكديگراست؛ همانند آنچه در داده‌هاي واقعي مشاهده مي‌كنيم. در اين پژوهش، موضوع مطرح شده به اين صورت اجرا شده كه تعداد مورد انتظار هر قانون بايد با تعداد مشاهده شده آن در داده‌ها مطابقت داشته باشد. در اين پژوهش، از خودرمزگذارهاي گراف متغير (VGAE) استفاده شده است. اين خودرمزگذارها نوعي مدل مولد احتمالاتي هستند كه از شبكه‌هاي عصبي گرافي (GNN) براي يادگيري نمايش گره‌ها در گراف استفاده مي‌كنند. ابتدا با استفاده از يك سيستم منطقي، قوانين موجود در داده گرافي به دست مي‌آيد و سپس شمارش قوانين با استفاده از يك الگوريتم مشتق‌پذير كه از ضرب ماتريس‌ها استفاده مي‌كند، به صورت خودكار انجام مي‌شود. اين الگوريتم مي‌تواند پس از دريافت اطلاعات مناسب، قوانين را به طور خودكار بشمارد. علاوه بر ارزيابي كيفيت گراف توليدي، در اين پژوهش ارزيابي‌هايي براساس معيارهاي پيش‌بيني يال و طبقه‌بندي گره نيز انجام شده و نشان داده شده كه اين مدل به پيشرفت قابل توجهي در حوزه طبقه‌بندي گره دست يافته است. همچنين يك ارزيابي ديگر به نام منحني يادگيري انجام شده كه نشان‌دهنده تاثير انطباق ممان‌ قوانين در شرايط مختلف، با تغيير ميزان داده، است. ارزيابي‌هاي تجربي كه بر روي پنج مجموعه داده مرجع انجام شده، نشان‌دهنده بهبود قابل توجهي در كيفيت گراف‌هاي توليدي است. اين بهبود به دليل دقت بيشتر در تطابق قوانين و كاهش خطاهاي مدل‌سازي حاصل شده است. در نهايت، اين پژوهش نشان مي‌دهد كه ادغام دانش منطقي با تكنيك‌هاي يادگيري ماشيني مي‌تواند به توسعه مدل‌هاي مولد گرافي كمك كند. اين دستاوردها مي‌توانند در زمينه‌هاي مختلفي مانند شبكه‌هاي اجتماعي، بيوانفورماتيك و تحليل ترافيك كاربرد داشته باشند.

231910

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان