12980

توضيح‌پذيري شبكه‌هاي عصبي مبتني بر گراف

1401

دكتر مرتضي آنالويي

شبكه‌هاي عصبي مبتني بر گراف يا به اختصار GNN به عنوان يك دستاورد نوآورانه و كلان در حوزه هوش مصنوعي، امروزه به يك ابزار قدرتمند و اساسي تبديل شده‌اند. اين شبكه‌ها براي پردازش داده‌هاي ساختاري شبيه به گراف و يا قابل تبديل به گراف استفاده مي‌شوند و در زمينه‌هايي كه روابط و اتصالات ميان داده‌ها حياتي‌اند، اهميت بسياري دارند. اصلي‌ترين ارزش آن‌ها در توانايي مدل‌سازي ارتباطات پيچيده، استخراج بينش‌هاي ارزشمند و ارائه عملكرد برتر در وظايفي چون تجزيه و تحليل شبكه‌هاي اجتماعي، سيستم‌هاي توصيه‌گر و كشف دارو است. اين شبكه‌ها توانمندي نگريستن به داده‌هاي پيوندي را امكان‌پذير مي‌كنند و در حل چالش‌هاي واقعي در صنايع مختلف نقش اساسي ايفا مي‌كنند. در فصل اول اين سمينار ضمن معرفي شبكه‌هاي عصبي مبتني برگراف و توضيحي ضمني از مفهوم توضيح‌پذيري، به اهميت توضيح‌پذيري شبكه عصبي مبتني بر گراف مي‌پردازيم. سپس بهترين روش‌هاي توضيح‌پذيري گزارش شده در مقالات را در فصل دوم خواهيم داشت و خواهيم ديد كه روش‌هاي توضيحي پذيري موجود به دو سطح تقسيم مي‌شوند، گروه اول در سطح نمونه و گروه دوم در سطح مدل. در اين سمينار مقايسه‌اي بين برتري و كاستي‌هاي روش‌هاي متكي بر نمونه و مدل گنجانده شده است. در فصل آخر اين سمينار علمي سعي شده‌است كه روش‌ها و ابزارهاي موردنياز براي مقايسه روش‌هاي توضيح‌پذيري ارائه شود و براساس معيارهاي تعريف شده در اين بخش، روش‌هاي مختلف را كنار يكديگر ارزيابي مي‌نماييم.

11/15/2023 12:00:00 AM

81504

1402/09/06