سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

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

شناسایی عمیق اجتماعات با خودرمزگذار گراف مبتنی بر انتشارِ ماسک‌شده و خوشه‌بندی خودآموز

نویسندگان :

الناز گلوی¹ منیره حسینی²

1- دانشگاه صنعتی خواجه نصیرالدین طوسی 2- دانشگاه صنعتی خواجه نصیرالدین طوسی

کلمات کلیدی :

شناسایی اجتماعات،خودرمز گذار،خوشه بندی گراف عمیق،خود آموز

چکیده :

شناسایی اجتماعات از مسائل کلیدی در تحلیل شبکه‌های پیچیده است. در تشخیص اجتماع، هدف شناسایی مجموعه‌ای از گره‌هاست که نسبت به سایر گره‌ها، ارتباطات درون‌گروهی متراکم‌تری دارند. روش‌های کلاسیک معمولاً برای شبکه‌های کوچک‌تر یا دارای ساختار ساده مناسب‌ترند، بسیاری از رویکردهای مبتنی بر یادگیری عمیق نیز همچنان یادگیری بازنمایی و خوشه‌بندی را به‌صورت جداگانه انجام می‌دهند و بهره‌گیری صریح از اطلاعات ساختاری مرتبه‌بالا را محدود نگه می‌دارند. در این مقاله، یک چارچوب بدون‌ناظر برای شناسایی اجتماعات در گراف‌های دارای ویژگی ارائه می‌شود که فرایند یادگیری بازنمایی نهان و پالایش انتساب اجتماعات را در قالب یک روند آموزشی دومرحله‌ایِ منظم‌شده و کنترل‌پذیر سازمان‌دهی می‌کند. در رمزگذار، معماری ترکیبی GCN–GAT برای ادغام اطلاعات محتوایی و ساختاری به‌کار گرفته شده و در رمزگشا، بازسازی ویژگی‌ها از طریق یک دیکودر شبکه عصبی انجام می‌شود. همچنین، یک پیش‌پردازش انتشارمحور برای غنی‌سازی ویژگی‌های ورودی و انعکاس وابستگی‌های ساختاری مرتبه‌بالا در فضای نهان در نظر گرفته شده است. در مرحله نخست آموزش، مدل با ماسک‌کردن بخشی از ویژگی‌های گره‌ها و بازسازی آن‌ها، همراه با قیود همسایگی، بازنمایی‌هایی پایدار و منسجم می‌آموزد. در مرحله دوم، یک سر خوشه‌بندی خودآموز به سبک DEC با انتساب نرم و زیان KL، به‌همراه منظم‌سازهای لاپلاسی و ساختاری، بازنمایی را به سمت ساختارهای اجتماع‌محور و قابل تفکیک هدایت می‌کند. ارزیابی روی هفت گراف واقعی با دو معیار استاندارد نشان می‌دهد روش پیشنهادی در مقایسه با الگوریتم‌های مطرحِ به‌کاررفته در تحقیقات گذشته، عملکردی رقابتی و پایدار ارائه می‌کند و کیفیت شناسایی اجتماعات را بر اساس معیارهای استاندارد بهبود می‌دهد.