Konvolucijske mreže grafova

diplomski rad

• Naslov (engleski): Graph Convolution Networks
• Autor: Natalija Grbac
• Mentor: Lana Horvat Dmitrović (mentor)
• Član povjerenstva: Lana Horvat Dmitrović (član povjerenstva)
• Član povjerenstva: Mario Krnić (član povjerenstva)
• Član povjerenstva: Tomislav Burić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2019-07-08, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U okviru ovog rada proučit će se područje primjene konvolucijskih mreža grafova te će se prezentirati i usporediti različiti tipovi istih. Usporedba će se provesti prikladnom programskom implementacijom i primjenom na različitim grafovima socijalnih i drugih mreža koji su javno dostupni. Na početku su objašnjeni osnovni principi rada neuronskih mreža te arhitekture konvolucijskih i povratnih neuronskih mreža. U trećem poglavlju je opisan princip rada neuronskih mreža na grafovima koje slijede rekurzivni pristup polunadziranom učenju na grafovima te su prezentirana dva modela neuronskih mreža grafova . U četvrtom poglavlju je objašnjen princip rada konvolucijskih slojeva na podacima koji nisu iz Euklidske domene. Prikazan je razvoj konvolucijskih mreža grafova koje se oslanjaju na spektralnom pristupu konvoluciji na grafovima, te su detaljno opisane operacije konvolucije i sažimanja u tim mrežama. U zadnjem poglavlju su prezentirani rezultati usporedbe performansa opisanih modela konvolucijskih mreža grafova na zadacima klasifikacije na razini čvorova i na razini grafa.

Sažetak (engleski)

The purpose of this paper is to describe various graph convolutional network models and to compare their performance on both node and graph-level classification tasks on different graphs of social and other networks that are publicly available. The second chapter of this paper describes basic principles of neural networks followed by a detailed explanation of convolutional and recurrent neural network architectures. A recursive approach to semi-supervised learning on graphs is explained in chapter 3 titled Graph neural networks. In this chapter two graph neural network models are presented in detail. The fourth chapter explains the principle of the convolution operation on non-Euclidean domains. The development of graph convolutional networks based on the spectral approach to graph convolution is described. For the graph convolutional models presented in this chapter, the convolutional and pooling operations are described. Finally, the classification performance results for the previously described graph convolutional networks are presented.

• Ključne riječi: onvolucijske mreže grafova; neuronske mreže grafova; spektralna konvolucija; klasifikacija na razini čvorova; klasifikacija na razini grafa
• Ključne riječi (engleski): graph convolutional networks; graph neural networks; spectral convolution; node-level classification; graph-level classification
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:600153
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2020-01-07 18:12:44