Analýza kombinování poziční a strukturální informace v grafových neuronových sítích
Analysis of positional and structural information in graph neural networks
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Adéla Schwanzerová
Vedoucí práce
Procházka Pavel
Oponent práce
Dědič Marek
Studijní obor
Matematické inženýrstvíStudijní program
Aplikace přírodních vědInstituce přidělující hodnost
katedra matematikyObhájeno
2023-01-31Práva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
ato práce se zabývá hledáním optimálního propojení poziční a strukturální kompozice grafu za využití grafických neuronových sítí k predikci jednotlivých tříd. Experimenty jsou prováděny na datasetech Cora a Karate klub. Po teoretické části, ve které byly vysvětleny matematické zákonitosti GNN a jejich možných základních rozdílů, byly představeny implementované metody. Těmi jsou GCN, GAT, GraphSAGE a ChebConv. Povedlo se tak najít taková nastavení GNN, která překonala výsledky lineární regrese při grafu zredukovaném až na téměř 40 %. Ovšem stále je redukce grafu na úkor přesnosti. This work is about searching for optimal combination of positional and structural compozition of graph with usage of graph neural network for class prediction. Experiments are done on datasets Cora and Karate Club. The theoretical part contains the mathematical background of several types of GNN and introduces the main differences between them. In the practical part, the implemented methods are explained, such as GCN, GAT, GraphSAGE and ChebConv. There were found such settings of GNN that overreached results of linear regresson on reduced graph on almost $40 \%$. The probability rise to its maximum, but the reduction of graph is still at the expennse of accuracy.
Kolekce
- Bakalářské práce - 14101 [278]