سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

رفتن به صفحه اصلی

ارائه مجازی مقاله

کد مقاله CCES-1017

عنوان مدلهای کانولوشنی شبکه های عصبی در گرافهای پویا

نویسندگان پیمان عاربی - حسین مظفری

چکیده در بسیاری از وظایف طبقه‌بندی، مدیریت داده‌های ساختاریافته که معمولاً به‌صورت گراف مدل‌سازی می‌شوند، ضروری است. علاوه بر این، این گراف‌ها می‌توانند پویا باشند، به این معنا که رأس‌ها/یال‌های هر گراف ممکن است با گذشت زمان تغییر کنند. هدف، بهره‌برداری از معماری‌های شبکه عصبی موجود برای مدل‌سازی مجموعه‌داده‌هایی است که به بهترین شکل با ساختارهای گرافی که در طول زمان تغییر می‌کنند، نمایش داده می‌شوند. بر اساس دانش نویسندگان، این وظیفه با استفاده از این نوع معماری‌ها مورد توجه قرار نگرفته است. دو رویکرد نوین پیشنهاد شده‌اند که شبکه‌های حافظه بلندمدت-کوتاه‌مدت (LSTM) و شبکه‌های کانولوشنی گرافی (GCN) را ترکیب می‌کنند تا وابستگی‌های بلندمدت و کوتاه‌مدت را همراه با ساختار گراف یاد بگیرند. مزیت ارائه‌شده توسط روش‌های پیشنهادی با نتایج به‌دست‌آمده از چهار مجموعه‌داده واقعی تأیید شده است: افزایش تا 12 درصد در دقت (Accuracy) و امتیاز F1 برای طبقه‌بندی نیمه‌نظارتی مبتنی بر رأس و تا 2 درصد در دقت و امتیاز F1 برای طبقه‌بندی نظارتی مبتنی بر گراف.

محتوای ارائه مجازی مقاله

نظرات