Εκμάθηση αναπαραστάσεων σε πολυσχεσιακούς γράφους με έμφαση σε θορυβώδεις γράφους

Συρράφος, Δημήτριος; Syrrafos, Dimitrios

dc.contributor.author	Συρράφος, Δημήτριος	el
dc.contributor.author	Syrrafos, Dimitrios	en
dc.date.accessioned	2023-05-17T08:54:27Z
dc.date.available	2023-05-17T08:54:27Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57716
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25413
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-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Δεδομένα σε Μορφή Γράφου	el
dc.subject	Εκμάθηση Αναπαράστασης Γράφων	el
dc.subject	Νευρωνικά Δίκτυα Γράφων	el
dc.subject	Ετερογενείς Γράφοι	el
dc.subject	Ενσωματώσεις Γράφων Γνώσης	el
dc.subject	Graph-structured Data	en
dc.subject	Graph Representation Learning	en
dc.subject	Graph Neural Networks	en
dc.subject	Heterogeneous Graphs	en
dc.subject	Knowledge Graph Embeddings	en
dc.title	Εκμάθηση αναπαραστάσεων σε πολυσχεσιακούς γράφους με έμφαση σε θορυβώδεις γράφους	el
dc.title	Representation learning in multi-relational graphs with emphasis in noisy graphs	en
heal.type	masterThesis
heal.classification	Βαθιά Μάθηση	el
heal.classification	Deep Learning	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-28
heal.abstract	Οι γράφοι είναι μια διαδεδομένη δομή δεδομένων για τη μοντελοποίηση πολύπλοκων συστημάτων του πραγματικού κόσμου. Συγκεκριμένα, τα περισσότερα συστήματα του πραγματικού κόσμου είναι ετερογενή, που σημαίνει ότι περιέχουν κόμβους και ακμές διαφορετικών τύπων. Για να χρησιμοποιηθούν μοντέλα μηχανικής σε τέτοιους γράφους χρειάζονται εκφραστικές αναπαραστάσεις γράφων που αποτυπώνουν τις δομικές τους πληροφορίες. Γιάυτό το λόγο, η εκμάθηση αναπαράστασης γράφου έχει τραβήξει την προσοχή τελευταία λόγω της επιτυχίας των νευρωνικών δικτύων γράφων (Graph Neural Networks) σε διάφορες απαιτητικές εργασίες μηχανικής μάθησης σε δεδομένα με τη μορφή γράφου. Επιπλέον, οι πολυσχεσιακοί γράφοι γνώσης που χρησιμοποιούνται περιέχουν συχνά θορυβώδεις πληροφορίες, είτε με τη μορφή ακμών που συνδέουν μη σχετικούς κόμβους είτε με σχέσεις χαμηλής πληροφορίας. Για να αντιμετωπίσουμε αυτό το πρόβλημα, προτείνουμε ένα μοντέλο για την ταξινόμηση κόμβων σε ετερογενείς γράφους που αξιοποιεί αναπαραστάσεις που προέρχονται από ένα συνελικτικό νευρωνικό δίκτυο γράφων (Graph Convolutional Neural Network) για να αναγνωρίσει τις τοπικές εξαρτήσεις μεταξύ κόμβων και να τις συνδυάσει με πληροφορίες σε επίπεδο σχέσης που προέρχονται από μια μέθοδο ενσωμάτωσης πολυσχεσιακών γράφων (Multi-relational graph embedding). Η μέθοδος, επονομαζόμενη Split Relation Graph Convolutional Networks (SRGCN), μοντελοποιεί ξεχωριστά τις αναπαραστάσεις του κάθε κόμβου με βάση τα διαφορετικά είδη ακμών στο γράφο, δίνοντας έτσι έμφαση στης σημαντικές σχέσεις. Συγκρίναμε την προτεινόμενη μεθοδολογία με άλλα ευρέως χρησιμοποιούμενα νευρωνικά δίκτυα γράφων σε μια πληθώρα πειραμάτων, δίνοντας έμφαση στη δυνατότητα αυτών να αξιοποιούν χρήσιμες σχέσεις στο γράφο και να αντιμετωπίζουν το θόρυβο που μπορεί να υπάρχει. Για τον σκοπό αυτό πραγματοποιήσαμε πολλά πειράματα σε γράφους που περιέχουν διάφορες μορφές θορύβου, παρατηρώντας τη συμπεριφορά του μοντέλου μας και των υπόλοιπων νευρωνικών. Το προτεινόμενο μοντέλο επιτυγχάνει βελτίωση της απόδοσης σε σύγκριση με τα GNN γενικής χρήσης, καθώς και ανθεκτικότητα έναντι του θορύβου σε διάφορα σενάρια.	el
heal.abstract	Graphs are a ubiquitous data structure for modelling real-world complex systems. Specifically, most of them are heterogeneous, meaning they contain nodes of different types, and multi-relational, exhibiting multiple types of edges. In order to use machine learning models to tackle different downstream tasks on the graphs, we need expressive graph representations that capture structural information for these graphs, in order. Thus, graph representation learning has drawn significant attention recently due to the success of Graph Neural Networks in various challenging machine learning tasks on graph-structured data. Additionally, real-world graphs often contain noisy information in the form of edges connecting non-relevant nodes or low-informational relations. To address this issue, we propose a model for heterogeneous graph node classification that leverages neighbourhood aggregation representations derived from Graph Convolutional Network (GCN) to capture local dependencies between nodes and combine this information with relation-level information derived from a graph embedding learning method. Our methodology, named Split Relation Graph Convolutional Networks (SRGCN), models the representations of each node separately according to the different types of relations in the graph, enabling it to focus on important relations. We compared our model with other commonly used GNNs on a plethora of experiments, focusing on their ability to leverage informative edges, especially when noise was introduced on the graphs. To this end, we conducted many experiments on graphs under different noise scenarios, gaining insights on the behaviour of different models. Ultimately, the introduced model achieved better performance compared to the strong baseline GNNs and exhibited robustness against noise in all scenarios.	en
heal.advisorName	Στάμου, Γιώργος	el
heal.committeeMemberName	Κόλλιας, Στέφανος
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	93 σ.	el
heal.fullTextAvailability	false