Νευρωνικά δίκτυα γράφων και εφαρμογές
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 βι...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/24927 |
| id |
nemertes-10889-24927 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευρωνικά δίκτυα γράφων Μηχανική μάθηση Graph Neural Networks (GNNs) Machine learning |
| spellingShingle |
Νευρωνικά δίκτυα γράφων Μηχανική μάθηση Graph Neural Networks (GNNs) Machine learning Τσακούμης, Δημήτριος Νευρωνικά δίκτυα γράφων και εφαρμογές |
| description |
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. |
| author2 |
Tsakoumis, Dimitrios |
| author_facet |
Tsakoumis, Dimitrios Τσακούμης, Δημήτριος |
| author |
Τσακούμης, Δημήτριος |
| author_sort |
Τσακούμης, Δημήτριος |
| title |
Νευρωνικά δίκτυα γράφων και εφαρμογές |
| title_short |
Νευρωνικά δίκτυα γράφων και εφαρμογές |
| title_full |
Νευρωνικά δίκτυα γράφων και εφαρμογές |
| title_fullStr |
Νευρωνικά δίκτυα γράφων και εφαρμογές |
| title_full_unstemmed |
Νευρωνικά δίκτυα γράφων και εφαρμογές |
| title_sort |
νευρωνικά δίκτυα γράφων και εφαρμογές |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/24927 |
| work_keys_str_mv |
AT tsakoumēsdēmētrios neurōnikadiktyagraphōnkaiepharmoges AT tsakoumēsdēmētrios graphneuralnetworksanditsapplications |
| _version_ |
1771297152316735488 |
| spelling |
nemertes-10889-249272023-04-29T03:35:19Z Νευρωνικά δίκτυα γράφων και εφαρμογές Graph neural networks and its applications Τσακούμης, Δημήτριος Tsakoumis, Dimitrios Νευρωνικά δίκτυα γράφων Μηχανική μάθηση Graph Neural Networks (GNNs) Machine learning 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. In the context of the rapid development that the cognitive field of machine learning has ex- perienced in the last decade, a model emerged that was supposed to provide it with a multitude of new possibilities: Graph Neural Networks (GNNs). Some of them find application in social networks, molecular biology, chemistry, physics and other scientific fields. More specifically, in the first chapter there will be a short introduction to the concepts of artificial intelligence and machine learning. In the context of this introduction, there will be a brief historical review to understand the course of the development of artificial intelligence, in the context of the scientific development of the twentieth century. In the second chapter, graph theory will be analysed with all the rules that govern it. Initially, with a brief listing of historical data, and then subdivision of graphs into categories. In the third chapter, artificial neural networks (ANN) are deepened. The origins of the naming of the model have their roots in neuroscience, specifically in the functioning of biological neurons which they simulate. An analysis will be made of the different forms of architecture they can have as well as the methods by which they can be trained but also to be evaluated. In the fourth chapter, a special category of ANNs and deep learning in general, that of con- volutional neural networks (CNN), is further deepened. Here, after the prerequisite definition of the operation of convolution is given, there will be an extensive analysis of the architecture of CNNs and the processes performed at each layer. In the fifth chapter, the construction of neural graph networks is done. After first analysing their basic approaches, we move on to their special important subcategory, graph convolutional neural networks (GCNs). The way in which they combine GNNs with the act of convolution is presented, and the reasons why they essentially contributed as a variant of GNNs are mentioned. Finally, their disadvantages are also discussed, based on which the model of attention graph networks was introduced (GAT) to resolve. In the sixth chapter, the point of reference is the general functional frameworks in which the various GNN models are integrated. In the seventh chapter, the experimental (practical) process of what was structured in all the previous ones is done. Using the Python language, and more specifically the JAX machine learning framework, to achieve specific tasks in some cognitive fields. These they concern social networks, systems of scientific references (citations) and biology. Successively, a comparison of the methods will be made with justification of the results through accuracy assessment methods of each method. Finally, a summary of all the previous ones is made, producing general conclusions and future challenges for further research. 2023-04-28T06:17:10Z 2023-04-28T06:17:10Z 2023-03-01 https://hdl.handle.net/10889/24927 el CC0 1.0 Universal http://creativecommons.org/publicdomain/zero/1.0/ application/pdf |
