| Περίληψη: | Στα πλαίσια της ραγδαιας ανάπτυξης που έχει γνωρίσει το γνωστικό πεδίο της μηχανικής
μάθησης τη τελευταία δεκαετία, αναδύθηκε ένα μοντέλο που έμελλε να την εφοδιάσει με πληθώρα
νέων δυνατοτήτων: Τα νευρωνικά δίκτυα γράφων (ΝΔΓ). Μερικές από αυτές βρίσκουν εφαρμογή
στα κοινωνικά δίκτυα,στη μοριακή βιολογία, τη χημεία, τη φυσική και άλλα επιστημονικά πεδία.
Πιο συγκεκριμένα, στο πρώτο κεφάλαιο θα γίνει μία σύντομη εισαγωγή στις έννοιες της τεχνη-
τής νοημοσύνης και της μηχανικής μάθησης. Στα πλαίσια αυτής της εισαγωγής, θα γίνει σύντομη
ιστορική αναδρομή για την κατανόηση της πορείας της ανάπτυξης της τεχνητής νοημοσύνης, στα
πλαίσια του επιστημονικού γίγνεσθαι του εικοστού αιώνα.
Στο δεύτερο κεφάλαιο θα αναλυθεί η θεωρία γραφημάτων με όλους τους κανόνες που τη
διέπουν. Αρχικά, με μια σύντομη παράθεση ιστορικών στοιχείων, και έπειτα υποδιαίρεση των
γράφων σε κατηγορίες.
Στο τρίτο κεφάλαιο πραγματοποιείται εμβάθυνση στα τεχνητά νευρωνικά δίκτυα (ΤΝΔ). Τα
αίτια προέλευσης της ονοματοδοσίας του μοντέλου έχουν τις ρίζες τους από τη νευροεπιστήμη,
και συγκεκριμένα από τη λειτουργια των βιολογικών νευρώνων την οποία προσομοιώνουν. Θα
γίνει ανάλυση διαφορετικών μορφών αρχιτεκτονικών που μπορούν να έχουν καθώς και μεθόδους
με τους οποίους μπορούν να εκπαιδευτούν αλλά και να αξιολογηθούν.
Στο τέταρτο κεφάλαιο γίνεται περαιτέρω εμβάθυνση σε μία ειδική κατηγορία των ΤΝΔ και
της γενικότερης βαθιά μάθησης, αυτη των συνελικτικών νευρωνικών δικτύων (CNN ). Εδώ,
αφου δοθεί ο προαπαιτούμενος ορισμός της πράξης της συνέλιξης, θα γίνει εκτενής ανάλυση της
αρχιτεκτονικής αυτών και των διαδικασιών που επιτελούνται σε κάθε επίπεδο λειτουργίας.
Στο πέμπτο κεφάλαιο, γίνεται η δόμηση των νευρωνικών δικτύων γράφων. Αφού πρώτα αναλυ-
θούν οι βασικές προσεγγίσεις αυτών, διερχόμαστε στην ειδική σημαντική υποκατηγορία τους, τα
συνελικτικά νευρωνικά δίκτυα γράφων (GCN ). Παρουσιάζεται ο τρόπος με τον οποίο συνδυάζουν
τα ΝΔΓ με τη πράξη της συνέλιξης, και αναφέρονται οι λόγοι για τους οποίους συνεισέφεραν ου-
σιαστικά ως παραλλαγή των ΝΔΓ. Τέλος, γίνεται λόγος και για μειονεκτήματά τους, με βάση τα οποία εισήχθη το μοντέλο των δικτύων γράφων προσοχής (GAT) να επιλύσει.
Στο έκτο κεφάλαιο, σημείο αναφοράς αποτελούν τα γενικά λειτουργικά πλαίσια (frameworks)
στα οποία ενσωματώνονται τα διάφορα μοντέλα GNN .
Στο έβδομο κεφάλαιο, γίνεται η πειραματική (πρακτική) διαδικασία όσων δομήθηκαν σε όλα τα
προηγούμενα. Με χρήση της γλώσσας Python, και πιο συγκεκριμένα του framework μηχανικής
μάθησης της JAX, προς επίτευξη συγκεκριμένων εργασιών επί κάποιων γνωστικών πεδίων. Αυτά
αφορoύν κοινωνικά δίκτυα, συστήματα επιστημονικών αναφορών (citations) και βιολογία. Διαδο-
χικά, θα γίνεται και σύγκριση των μεθόδων με δικαιολόγηση των αποτελεσμάτων μέσω μεθόδων
εκτίμησης ακρίβειας κάθε μεθόδου.
Τέλος, γίνεται σύνοψη όλων των προηγουμένων, παραγωγή γενικών συμπερασμάτων και μελ-
λοντικών προκλήσεων για περαιτέρω έρευνα.
|
|---|
