Prieskum techník grafových neurónových sietí

Graph Neural Networks Exploration

Typ dokumentu
bakalářská práce
bachelor thesis
Autor
Barbara Bobeničová
Vedoucí práce
Čepek Miroslav
Oponent práce
Rybář Vojtěch
Studijní obor
Znalostní inženýrství
Studijní program
Informatika 2009
Instituce přidělující hodnost
katedra aplikované matematiky


Práva
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.html
Vysokoškolská 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 záznam
Abstrakt
Táto práca sa venuje rozboru metód grafových neurónových sietí pre klasifikáciu vrcholov a grafov. Skúma súčasné knižnice na prácu s grafovými neurónovými sieťami ako StellarGraph, PyTorch Geometric a DGL. Na vybraných datasetoch z Open Graph Benchmark sú otestované a porovnané grafové algoritmy Graph Convolutional Networks, GraphSAGE a Graph Attention Networks. Dosiahnuté výsledky sú porovnané so state of the art výsledkami.
 
This thesis is dedicated to the analysis of graph neural network methods for the nodes and graph classification. Explores current libraries for working with graph neural networks such as StellarGraph, PyTorch Geometric and DGL. The graph algorithms Graph Convolutional Networks, GraphSAGE and Graph Attention Networks are tested and compared on selected datasets from the Open Graph Benchmark. The achieved results are compared with the state of the art results.
 
URI
http://hdl.handle.net/10467/110128
Zobrazit/otevřít
Kolekce