Grafové neuronové sítě a jejich temporální varianty

Abstract

Cílem této práce je poskytnout přehled grafových neuronových sítí (GNN), které jsou odvětvím neuronových sítí navrženým pro práci s grafovými daty. Grafy jsou obecnou datovou strukturou, která může být použita k reprezentaci široké škály komplexních domén, včetně sociálních sítí, interakcí molekul a znalostních grafů. Grafové neuronové sítě překonaly výsledky tradičních metod strojového učení a ručně vytvářených heuristik na mnoha sadách grafových dat. Donedávna byly grafové neuronové sítě aplikovány především na statické grafy. Nicméně mnoho reálných aplikací zahrnuje dynamické grafy, kde se základní struktura grafu mění v čase. Rozšíření grafových neuronových sítí na dynamické grafy se ukázalo jako náročný úkol. I přesto však temporální varianty grafových neuronových sítí ukázaly slibné výsledky na reálných grafových sadách data. Tato práce shrnuje a popisuje statické i temporální grafových neuronové sítě. Byly provedeny experimenty se statickými i dynamickými grafy, včetně jejich vyhodnocení. Grafové neuronové sítě byly použity na novou úlohu klasifikace hieroglyfů a překonaly výsledky dříve používaných metod.This thesis aims to provide an overview of Graph Neural Networks (GNNs), a branch of neural networks designed to work with graph data. Graphs are a general data structure that can be used to represent a wide range of complex domains, including social networks, molecule interactions and knowledge graphs. GNNs have surpassed performance of traditional machine learning algorithms and hand-crafted heuristics on many graph datasets. Until recently, graph neural networks have been mainly applied to static graphs. However, many real-world applications involve dynamic graphs, where the underlying graph structure changes over time. Extending graph neural networks to dynamic graphs has proven to be a challenging task. Nevertheless, temporal variants of graph neural networks have shown promising results on real-world graph datasets. Both static and temporal graph neural networks are reviewed in the thesis. Experiments with both static and dynamic graphs were performed and evaluated. Static graph neural networks have been applied to a novel domain of hieroglyph classification and achieved state-of-the-art performance compared to previously used methods.