سعید طهماسبی

این رساله بخشی از تحقیقات گسترده تری است که در حال حاضر بر روی سیستم های پیچیده انجام می شود. مساله اصلی مربوط به این مفهوم، چگونگی تعامل بخش های مختلف چنین سیستمی با یکدیگر است. این موضوع با استفاده از مدل های گرافیکی، یکی از قدرتمندترین ابزارها برای مدل سازی داده ها و استنتاج های آماری، مورد بررسی قرار می گیرد. مدل های گرافیکی گاوسی (GGM) معمولاً برای مدل سازی استفاده می شوند، زیرا استنتاج های قابل کنترلی را در مدل های پیچیده ارائه می دهند. با این حال، اگر یک مجموعه داده حاوی داده های پرت باشد، GGMها دیگر مؤثر نیستند. برای غلبه بر این مشکل، از توزیع های t استفاده می کنیم زیرا واریانس بالاتری دارند که منجر به دنباله های ضخیم تر در دو طرف منحنی زنگوله ای نسبت به دنباله های توزیع گاوسی می شود. ما مفاهیم و ویژگی های اساسی مدل های گرافیکی گاوسی (GGM) و شبکه های عصبی گراف (GNN) را معرفی می کنیم و زمینه را برای روش ها و بحث های جدید فراهم می کنیم. ما به یادگیری ساختار بیزی در GGMها می پردازیم و نشان می دهیم که چگونه می توان از استنتاج بیزی برای یادگیری ساختار این مدل ها ضمن گنجاندن دانش قبلی استفاده کرد. ما چارچوب بیزی را به مدل های گرافیکی توزیع t تعمیم می دهیم و به پیچیدگی های کار با داده های دنباله دار می پردازیم و استحکام مدل را بهبود می بخشیم. همچنین مروری بر مفاهیم و ویژگی های اساسی شبکه گراف (GAT) ارائه می دهیم و نشان می دهیم که چگونه با تمرکز بر مرتبط ترین روابط بین گره ها در یک گراف، طبقه بندی را بهبود می بخشد. در نهایت، روش های قبلی را برای طبقه بندی متغیرهای تصادفی در مدل های گرافیکی داده شده اعمال می کنیم و عملکرد آنها را از طریق شبیه سازی ها و مجموعه داده های دنیای واقعی ارزیابی می کنیم.