يادگيري عميق هندسي روي نمودارها و CNN منيفلدها با استفاده از مدل تركيبي

كارشناسي ارشد

يادگيري عميق در دستيابي به چندين زمينه موفقيت چشمگيري داشته است، از جمله در شناخت گفتار، پردازش زبان طبيعي و ديد رايانه اي. به طور خاص، معماري هاي در حال حاضر، عملكرد پيشرفته اي را در مورد انواع كارهاي (CNN) پيچيده شبكه عصبي 1 تحليلي تصوير مانند تشخيص و شناسايي سوژه را توليد مي كند. تاكنون بيشتر تحقيقات يادگيري عميق روي داده هايي با ساختار اقليدسي يك بعدي، دو بعدي، يا سه بعدي مانند سيگنال هاي صوتي، تصاوير، يا فيلم ها متمركز شده است. اخيراً، علاقه به يادگيري عميق هندسي و تلاش براي تعميم روش هاي عميق يادگيري به داده هايي با ساختار اقليدسي مانند نمودارها و منيفلدها، با تنوعي از كاربردهايي در حوزه هاي تحليل شبكه، علوم اجتماعي محاسباتي، يا گرافيك هاي رايانه اي افزايش يافته است. در اين پايان نامه، به حوزه هاي غيراقليدسي (نمودارها CNN يكچارچوب مشخصبراي تعميم معماري هاي و منيفلدها) ارائه مي دهيم، و ويژگي هاي خاصروشثابتموضعي و تركيبي را ياد مي دهيم. غيراقليدسي كه قبلاً در ادبيات ارائه شده اند مي توانند به CNN نشان مي دهيم روش هاي صورت موارد خاص چارچوب ما باشند. روش پيشنهادي را براساس روش هاي استاندار از حوزه هاي آناليز شكل تصوير، نمودار سه بعدي آزمايش مي كنيم و نشان مي دهيم كه از روش هاي قبلي پيشي مي گيرد. مطالب اين پايان نامه برگرفته شده از مقاله اي تحت عنوان Geometric deep learning on graphs and manifolds using mixture model CNNs مي باشد كه در آن از قسمت منيفلدها استفاده كرده ايم

209061

دانشگاه علم و صنعت ايران

مهدي نجفي خواه

رياضي- رياضي محض ـ هندسه

اكبر دهقان نژاد