Overlapping community detection using graph attention networks

Σισμάνης, Κωνσταντίνος; Sismanis, Konstantinos

dc.contributor.author	Σισμάνης, Κωνσταντίνος	el
dc.contributor.author	Sismanis, Konstantinos	en
dc.date.accessioned	2023-01-27T10:32:41Z
dc.date.available	2023-01-27T10:32:41Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56975
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24673
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Ανίχνευση Κοινοτήτων	el
dc.subject	Γράφοι	el
dc.subject	Επικαλυπτόμενες Κοινότητες	el
dc.subject	Νευρωνικά Δίκτυα Γράφων	el
dc.subject	Μηχανισμός Προσοχής	el
dc.subject	Δίκτυα Προσοχής	el
dc.subject	Overlapping Community Detection	en
dc.subject	Graph Neural Networks	en
dc.subject	Graph Attention Networks	en
dc.subject	Representation Learning	en
dc.subject	Deep Learning	en
dc.title	Overlapping community detection using graph attention networks	en
dc.title	Ανίχνευση Επικαλυπτόμενων Κοινοτήτων σε Γράφους με Δίκτυα Προσοχής	el
heal.type	masterThesis
heal.classification	Community Detection	en
heal.classification	Ανίχνευση κοινοτήτων σε Γράφους	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-12-01
heal.abstract	Η ανίχνευση κοινοτήτων σε γράφους, έχει αποδώσει σημαντικά αποτελέσματα σε εφαρμογές που εκτείνονται από τα κοινωνικά δίκτυα και τα συστήματα συ- στάσεων, έως τα δίκτυα αλληλεπίδρασης πρωτεϊνών και τα δίκτυα νευρώνων στον εγκέφαλο. Η χρήση μεθόδων Βαθιάς Μάθησης έχει επιτύχει σημαντικά αποτελέσματα στην επίλυση προβλημάτων σε γράφους, όπως είναι η ταξινόμηση κόμβων και γράφων και η πρόβλεψη ακμών. Η μηχανική μάθηση έχει αρχίσει να εφαρμόζεται και στην περιοχή της ανα- ζήτησης κοινοτήτων με συνεχώς αυξανόμενη επιτυχία. Ωστόσο οι περισσότερες ερευνητικές προσπάθειες επικεντρώνονται στην αναζήτηση μη-επικαλυπτόμενων κοινοτήτων. Λιγότερες έρευνες ασχολούνται με τις επικαλυπτόμενες κοινότητες σε γράφους, χρησιμοποιώντας μεθόδους βαθιάς μάθησης. Σε αυτή την εργασία επεκτείνουμε μια μέθοδο που έχει αποφέρει πολύ καλά αποτελέσματα στο πρόβλημα της ανίχνευσης επικαλυπτόμενων κοινοτήτων. Η συ- γκεκριμένη μέθοδος, συνδυάζει μια πιθανοτική οπτική στο πρόβλημα μαζί με την μάθηση αναπαραστάσεων, με τη χρήση Νευρωνικών Δικτύων Γράφων. Η πρόταση μας έγκειται στην προσθήκη ενός μηχανισμού “προσοχής” που θα επικεντρώνεται στα σημαντικά σημεία των δεδομένων. Διερευνούμε αν ένας μηχανισμός προσοχής θα μπορεί να διακρίνει ποιος κόμβος είναι πιο σημαντικός σε μια γειτονιά κόμβων. Παρουσιάζουμε την πειραματική διαδικασία που πραγματοποιήθηκε για την αξιο- λόγηση της πρότασης, διερευνώντας την ικανότητα ανακάλυψης των πραγματικών κοινοτήτων. Η πρόταση μας, στα μεγαλύτερα σύνολα δεδομένων που εξετάστηκαν και που διαθέτουν περισσότερη πληροφορία για τα χαρακτηριστικά των κόμβων, επιτυγχάνει βελτίωση στην ικανότητα ανακάλυψης των επικαλυπτόμενων κοινο- τήτων.	el
heal.advisorName	Pagourtzis, Aris	en
heal.committeeMemberName	Φωτάκης, Δημήτριος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.academicPublisher	other	el
heal.academicPublisherID	ntua
heal.numberOfPages	73 σ.	el
heal.fullTextAvailability	false