بهبود كارايي محاسباتي هسته‌ي چند مقياسي كوتاه‌ترين مسير واسراشتاين براي دسته بندي گراف‌ها

اصفهان : دانشگاه صنعتي اصفهان

رياضي

كارشناسي ارشد

يكي از مسائل بنيادي در يادگيري ماشين بر روي داده‌هاي ساختاريافته، {مقايسه و شباهت‌سنجي ميان گراف‌ها} است. اين مسئله در بسياري از كاربردهاي عملي همچون دسته‌بندي شبكه‌هاي زيستي، تحليل شبكه‌هاي اجتماعي و تشخيص ناهنجاري‌ها اهميت دارد. يكي از رويكردهاي موفق در اين حوزه، استفاده از هسته‌هاي گرافي است كه با نگاشت ساختار گراف به فضاي ويژگي و تعريف يك تابع شباهت، امكان بهره‌گيري از الگوريتم‌هاي يادگيري ماشين را فراهم مي‌سازند. هدف اين پايان‌نامه مطالعه و ارزيابي هسته‌ي گراف كوتاه‌ترين مسير واسراشتاين چند مقياسي ({MWSP}) بوده است كه با بهره‌گيري از اطلاعات ساختاري در سطوح مختلف و استفاده از فاصله‌ي واسراشتاين براي مقايسه‌ي گره‌ها، توانايي بالايي در تمايز ميان گراف‌ها ايجاد مي‌كند. در پايان، با پيشنهاد {نمايش تُنُك براي ماتريس‌هاي محاسباتي}، كارايي محاسباتي اين هسته به‌طور چشمگيري بهبود يافته است؛ به‌گونه‌اي كه مصرف حافظه به ميزان قابل توجهي كاهش يافته و امكان اجراي آن بر روي مجموعه‌داده‌هاي بزرگ‌تر فراهم گرديده است.

236204

گراف و تركيبيات

رياضي

دانشگاه صنعتي اصفهان