Vzorčenje soseščine v heterogenih grafih pri grafovskih nevronskih mrežahKeršič, Vid (Avtor) Strnad, Damjan (Mentor) umetna inteligencastrojno učenjeheterogeni grafigrafovske nevronske mrežeGrafovske nevronske mreže so v zadnjem času eno izmed najbolj aktivnih področij raziskovanja globokega učenja. Uspešno so bile uporabljene pri problemih, kjer so podatki predstavljeni v obliki grafa, na primer pri analizi družbenih omrežij, napovedovanju prometa, razvoju zdravil itd. Kljub nekaterim zelo dobrim rezultatom pa ostaja še veliko odprtih izzivov pri uporabi nevronskih mrež na zelo velikih grafih, kjer smo omejeni z zmogljivostjo strojne opreme. V magistrskem delu naslavljamo problem uporabe grafovskih nevronskih mrež na obsežnih heterogenih grafih, kjer se med učenjem izvaja vzorčenje soseščine na vsaki plasti mreže, pri čemer se velikosti vzorca omejijo s hiperparametri. Heterogeni grafi vsebujejo več različnih tipov vozlišč in povezav, kar je pri vzorčenju soseščine koristno upoštevati in optimizirati vrednosti hiperparametrov za posamezne tipe povezav. Za reševanje tega problema predstavimo in analiziramo lasten algoritem, ki odpravi potrebo po časovno zahtevnem procesu obravnavanja in nastavljanja hiperparametrov za vse tipe vozlišč ter povezav. Prednosti algoritma z vidika časovne zahtevnosti in uspešnosti klasifikacije prikažemo na dveh grafih – akademskem grafu MAG240M, ki vsebuje več kot 240 milijonov vozlišč in nekaj manj kot 2 milijardi povezav, ter grafu znanja Freebase.[V. Keršič]20222022-08-22 13:10:34Magistrsko delo/naloga82465UDK: 004.8:004.032.26(043.2)COBISS_ID: 130211587sl