7841

بررسي و پياده سازي پايلوت مدل هاي مولد گراف عميق

كارشناسي

مهندسي كامپيوتر

1401

دكتر مرضيه ملكي مجد

1401/04/24

مهندسي كامپيوتر

Analysis and Implementation of Deep Generative Models for Graph Generation

مدل‌هاي عميق در گراف ، با توجه به كاربرد فراوان گراف به عنوان ساختار داده‌ي مناسب در دامنه‌هاي متعددي نظير مولكول‌هاي شيميايي، تراكنش‌هاي بانكي، درخت‌هاي تجزيه و غيره مورد توجه محققان اين حوزه قرار گرفته‌ است. در سال‌هاي اخير تلاش‌هاي بسياري شده است تا روش‌هاي موجود در ديگر ساختارهاي داده مانند متن و تصوير نيز به دامنه گراف تعميم داده شود. اين تلاش‌ها با توسعه مدل‌هاي عميق گرافي، سرعت بيشتري گرفته‌اند و موجب شده است موفقيت‌هاي فراواني در وظايف باناظر بدست آورند. با وجود موفقيت‌هاي فراوان مدل‌هاي مولد در توليد تصاوير و متن، اين مدل‌ها در توليد گراف كمتر مورد بررسي قرار گرفته است؛ بر همين مبنا در تحقيق پيش رو، سعي شده است فريم وركي جامع براي آموزش مدل‌هاي مولد عميق و چگونگي توليد گراف ارائه شود. فريم ورك پيشنهادي بر اساس بدست آوردن فضاي بازنمايي مناسب براي راس‌هاي گراف است. اين بازنمايي با استفاده از مدل‌هاي عميق گراف بدست مي‌آيد و نحوه آموزش آن نيز بر اساس شبه وظايف با روش خود ناظر معرفي شده است. در اين تحقيق تاثير روش‌هاي خود ناظر با معرفي شبه وظايف مناسب نشان داده شده است و ازجمله تحقيقات پيشگامي است كه اهميت اين مورد در مسئله توليد گراف را نشان مي‌دهد. در كنار نوآوري‌هاي ارائه شده در نحوه آموزش مدل، به اهميتِ مسئله چگونگي توليد گراف نيز پرداخته شده و با معرفي استراتژي توليد گرافِ پيشرفته‌تر، كيفيت گراف‌هاي توليدي نيز بهبود يافته است. اين استراتژي با استفاده از معيار فاصله در فضاي بازنمايي، گراف‌هاي با كيفيت‌تر را از بين داده‌هاي توليدي انتخاب مي‌كند. همچنين با بررسي گراف‌هاي آشفته شده، ميزان دقت رتبه‌بندي بر اساس معيار پيشنهادي بررسي شده است. در بخش آزمايشات، تعدادي مدل با استفاده از فريم ورك پيشنهادي توسعه داده شده است و اين مدل‌ها با ديگر مدل‌هاي موجود در ادبيات تحقيق، مورد مقايسه قرار گرفته‌اند. نتايج نشان مي‌دهد كه اين مدل‌ها مي‌توانند نتايج مشابه و در بعضي موارد بهتري را با وجود كمتر بودن تعداد پارامترهاي آن نسبت به مدل‌هاي پيشين، داشته باشند. در ضمن ابزاري نيز براي توسعه و ارزيابي مدل‌هاي مولد گراف، با هدف تسهيل و بهبود كار ديگر محققان، توسعه داده شده است.

يادگيري عميق در گراف ها , مدل هاي مولد عميق , توليد گراف , بازنمايي گراف , روش هاي يادگيري خود ناظر