• عنوان

    مدل مولد گرافي عميق سلسله مراتبي و آگاه از جامعه

  • نويسنده اصلي

    رضوي، معصومه سادات

  • محل تحصيل
    اصفهان : دانشگاه صنعتي اصفهان
  • رشته تحصيلي
    مهندسي كامپيوتر
  • مقطع تحصيلي
    دكتري
  • چكيده
    توليد گراف‌هاي واقع‌گرايانه و نمونه‌برداري كارآمد از توزيع احتمالاتي آن‌ها به‌دليل بعد بسيار بالاي فضا و وابستگي‌هاي پيچيده ميان يال‌ها، يكي از دشوارترين مسائل در يادگيري عميق مولد به‌شمار مي‌رود. مدل‌هاي سنتي با تكيه بر فرضيات ساختاري ساده و از پيش‌تعيين‌شده، نمي‌توانند الگوهاي پيچيده دنياي واقعي را به‌خوبي ثبت كنند. در مقابل، مدل‌هاي عميق موجود نيز با محدوديت‌هاي جدي مواجه‌اند: رويكردهاي يك‌باره با فرض استقلال يال‌ها در گراف‌هاي ناهمگن كيفيت پاييني ارائه مي‌دهند، در حالي كه رويكردهاي خودبازگشتي هرچند وابستگي‌ها را بهتر مدل‌سازي مي‌كنند، در گراف‌هاي بزرگ‌مقياس با مشكلات مقياس‌پذيري شديدي روبه‌رو مي‌شوند و هنگام مواجهه با جوامع داراي توزيع‌هاي ساختاري متفاوت، كيفيت خروجي‌شان به‌طور چشمگيري افت مي‌كند. در اين رساله، چارچوب سلسله‌مراتبي آگاه از جامعه به نام HiCGG پيشنهاد شده است كه به‌طور همزمان سه چالش اصلي يعني مدل‌سازي ناهمگني ساختاري، مقياس‌پذيري محاسباتي و انعطاف‌پذيري در توليد توپولوژي‌هاي تركيبي را برطرف مي‌كند. اين چارچوب با بهره‌گيري از راهبرد «تقسيم و غلبه»، گراف را به‌صورت بازگشتي به جوامع همگن تقسيم كرده، هر جامعه را به‌طور مستقل با مدل‌هاي مولد عميق خودبازگشتي توليد مي‌نمايد و سپس با ماژول تجميع يال‌هاي بين‌جوامعي را دقيقاً بازسازي مي‌كند؛ نسخه‌ي پيشرفته‌ي پايان‌به‌پايان نيز با ادغام تشخيص جامعه مبتني بر يادگيري عميق ارائه شده است. در ارزيابي‌هاي گسترده روي مجموعه‌داده‌هاي مصنوعي و واقعي، مدل HiCGGبه‌طور چشمگيري از بهترين روش‌هاي موجود پيشي گرفت: در گراف‌هاي ناهمگن، به‌طور ميانگين 65% بهبود در معيارهاي آماري كلاسيك و 30%-40% بهبود در معيارهاي مبتني بر شبكه‌هاي عصبي گراف به‌دست آورد، ضمن اينكه در گراف‌هاي بزرگ‌مقياس نيز با حفظ برتري قابل‌توجه در همه معيارها، بالاترين كيفيت را ارائه كرد؛ اين مدل زمان توليد گراف را با افزايش عمق سلسله‌مراتب تا 75% كاهش داد و به‌كمك ساختار مدولار، قابل‌گسترش و جامعه‌آگاه خود، محدوديت‌هاي اساسي مدل‌هاي پيشين را برطرف نمود و افق‌هاي جديدي در حوزه‌هايي مانند كشف دارو، مدل‌سازي پروتئين و توليد داده‌هاي مصنوعي كاملاً واقع‌گرايانه گشود.
  • شماره ركورد
    236990
  • گرايش رشته تحصيلي
    هوش مصنوعي
  • دانشكده
    مهندسي برق و كامپيوتر
  • دانشگاه
    دانشگاه صنعتي اصفهان