|
Title
|
شبكه عصبي گرافي با استفاده از يادگيري ساختار بيزي
|
|
Type
|
Thesis
|
|
Keywords
|
Robust Bayesian structure learning , Gaussian graphical models
t-distributed graphical models ,Birth–Death process, Monte Carlo,
|
|
Abstract
|
اين رساله بخشي از تحقيقات گسترده تري است كه در حال حاضر بر روي سيستم هاي پيچيده انجام مي شود. مساله اصلي مربوط به اين مفهوم، چگونگي تعامل بخش هاي مختلف چنين سيستمي با يكديگر است. اين موضوع با استفاده از مدل هاي گرافيكي، يكي از قدرتمندترين ابزارها براي مدل سازي داده ها و استنتاج هاي آماري، مورد بررسي قرار مي گيرد. مدل هاي گرافيكي گاوسي (GGM) معمولاً براي مدل سازي استفاده مي شوند، زيرا استنتاج هاي قابل كنترلي را در مدل هاي پيچيده ارائه مي دهند. با اين حال، اگر يك مجموعه داده حاوي داده هاي پرت باشد، GGMها ديگر مؤثر نيستند. براي غلبه بر اين مشكل، از توزيع هاي t استفاده مي كنيم زيرا واريانس بالاتري دارند كه منجر به دنباله هاي ضخيم تر در دو طرف منحني زنگوله اي نسبت به دنباله هاي توزيع گاوسي مي شود. ما مفاهيم و ويژگي هاي اساسي مدل هاي گرافيكي گاوسي (GGM) و شبكه هاي عصبي گراف (GNN) را معرفي مي كنيم و زمينه را براي روش ها و بحث هاي جديد فراهم مي كنيم. ما به يادگيري ساختار بيزي در GGMها مي پردازيم و نشان مي دهيم كه چگونه مي توان از استنتاج بيزي براي يادگيري ساختار اين مدل ها ضمن گنجاندن دانش قبلي استفاده كرد. ما چارچوب بيزي را به مدل هاي گرافيكي توزيع t تعميم مي دهيم و به پيچيدگي هاي كار با داده هاي دنباله دار مي پردازيم و استحكام مدل را بهبود مي بخشيم. همچنين مروري بر مفاهيم و ويژگي هاي اساسي شبكه گراف (GAT) ارائه مي دهيم و نشان مي دهيم كه چگونه با تمركز بر مرتبط ترين روابط بين گره ها در يك گراف، طبقه بندي را بهبود مي بخشد. در نهايت، روش هاي قبلي را براي طبقه بندي متغيرهاي تصادفي در مدل هاي گرافيكي داده شده اعمال مي كنيم و عملكرد آنها را از طريق شبيه سازي ها و مجموعه داده هاي دنياي واقعي ارزيابي مي كنيم.
|
|
Researchers
|
Nastaran Marzban Vaselabadi (Student) , Saeid Tahmasebi (First primary advisor) , Reza Mohammadi (First primary advisor) , Ahmad Keshavarz (Advisor) , Hamid Karamikabir (Advisor)
|