Class-representative graph summaries through graph matching networks

Τσιμιχόδημος, Αχιλλέας; Tsimichodimos, Achilleas

dc.contributor.author	Τσιμιχόδημος, Αχιλλέας	el
dc.contributor.author	Tsimichodimos, Achilleas	en
dc.date.accessioned	2025-01-15T10:14:13Z
dc.date.available	2025-01-15T10:14:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60735
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28431
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	Graph Neural Networks	en
dc.subject	Graph Matching Networks	en
dc.subject	Graph Summarization	en
dc.subject	Graph Similarity	en
dc.subject	Graph Prototypes	en
dc.subject	Νευρωνικά Δίκτυα Γράφων	el
dc.subject	Δίκτυα Αντιστοίχισης Γράφων	el
dc.subject	Σύνοψη Γράφων	el
dc.subject	Ομοιότητα Γράφων	el
dc.subject	Πρωτότυπα Γράφων	el
dc.title	Class-representative graph summaries through graph matching networks	en
heal.type	bachelorThesis
heal.classification	Machine Learning	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-15
heal.abstract	Graph Neural Networks (GNNs) have emerged as a key model in the field of machine learning, due to their inherent ability to handle graph-structured data. The representation power of GNNs has led to significant advancements in diverse fields, including social network analysis, biological networks, molecular chemistry, and recommendation systems. In these domains, graph summarization plays an important role in creating compact representations of large graphs while preserving essential structural properties and information. In this context, GNNs provide a powerful framework for efficient and effective graph summarization, enabling the extraction of meaningful insights from complex and large-scale graph data. In this thesis, we will address the problem of graph summarization by exploring the representation power of Graph Matching Networks (GMNs), a specialized type of GNNs that computes similarity scores between pairs of graphs through a cross-graph attention-based matching mechanism. Specifically, given a multi-class graph dataset, we aim to extract a class-representative subgraph from each graph, that effectively represents the class to which the graph belongs. To this end, we train the GMN on a graph similarity task and propose two methodologies to identify the patterns learned by the model during training, which will inform the summary creation process. To assess the performance of our approach, we create a synthetic dataset of Geometric Shapes, enhanced with noise, which provides a controlled environment with known ground truth summaries for precise evaluation, and compare it against existing GNN architectures for graph summarization. Additionally, we experiment with the real-world MUTAG dataset, which lacks ground truth summaries, but offers ground truth prototypes, guiding our qualitative evaluation. The results, evaluated both at quantitative and qualitative level, indicate that the GMN outperforms the other models and is able to consistently and accurately identify class-representative summaries, which offer valuable insights into the patterns that the model learns during training and its decision making processes, enhancing its explainability.	en
heal.abstract	Τα Νευρωνικά Δίκτυα Γράφων (ΝΔΓ) έχουν αναδειχθεί ως ένα σημαντικό μοντέλο στον τομέα της μηχανικής μάθησης, λόγω της έμφυτης ικανότητάς τους να χειρίζονται δεδομένα δομημένα ως γραφήματα. Η αναπαραστατική δύναμη των ΝΔΓ έχει οδηγήσει σε σημαντική πρόοδο σε διάφορους τομείς, όπως η ανάλυση κοινωνικών δικτύων, τα βιολογικά δίκτυα, η μοριακή χημεία και τα συστήματα συστάσεων. Στους τομείς αυτούς, η σύνοψη γράφων παίζει καθοριστικό ρόλο στη δημιουργία συνοπτικών αναπαραστάσεων μεγάλων γράφων, διατηρώντας παράλληλα τις ουσιώδεις δομικές ιδιότητες και πληροφορίες. Τα ΝΔΓ παρέχουν ένα ισχυρό πλαίσιο για αποδοτική και αποτελεσματική σύνοψη, επιτρέποντας την εξαγωγή σημαντικών πληροφοριών από σύνθετα και μεγάλης κλίμακας δεδομένα γράφων. Στην παρούσα διπλωματική εργασία, θα αντιμετωπίσουμε το πρόβλημα της σύνοψης γράφων εξερευνώντας την αναπαραστατική δύναμη των Δικτύων Αντιστοίχισης Γράφων (ΔΑΓ), ενός εξειδικευμένου τύπου ΝΔΓ που υπολογίζει μετρικές ομοιότητας μεταξύ ζευγών γράφων μέσω ενός μηχανισμού αντιστοίχισης βασισμένου στην προσοχή μεταξύ γράφων. Συγκεκριμένα, δεδομένου ενός συνόλου δεδομένων γράφων με πολλαπλές κλάσεις, στοχεύουμε να εξαγάγουμε από κάθε γράφο έναν υπογράφο, ο οποίος διατηρεί τα βασικά χαρακτηριστικά της κλάσης στην οποία ανήκει ο αρχικός γράφος. Για τον σκοπό αυτό, εκπαιδεύουμε ένα ΔΑΓ σε ένα πρόβλημα ομοιότητας γράφων και αναπτύσσουμε μεθοδολογίες για την αναγνώριση των μοτίβων που μαθαίνει το μοντέλο κατά την εκπαίδευση, τα οποία θα καθοδηγήσουν τη διαδικασία δημιουργίας συνόψεων. Για την αξιολόγηση της απόδοσης της προσέγγισής μας, δημιουργούμε ένα συνθετικό σύνολο δεδομένων γεωμετρικών σχημάτων, ενισχυμένο με θόρυβο, το οποίο παρέχει ένα ελεγχόμενο περιβάλλον με γνωστό ground truth για ακριβή αξιολόγηση, και το συγκρίνουμε με υπάρχουσες αρχιτεκτονικές ΝΔΓ για τη σύνοψη γράφων. Επιπλέον, πειραματιζόμαστε με το σύνολο δεδομένων MUTAG, το οποίο δεν διαθέτει ground truth, αλλά διαθέτει πρωτότυπα (prototypes), καθοδηγώντας την ποιοτική μας αξιολόγηση. Τα αποτελέσματα, αξιολογημένα τόσο σε ποσοτικό όσο και σε ποιοτικό επίπεδο, υποδεικνύουν ότι το ΔΑΓ έχει καλύτερη απόδοση σε σύγκριση με τα άλλα μοντέλα και είναι σε θέση να αναγνωρίσει με συνέπεια ακριβείς συνόψεις που αντιπροσωπεύουν τις κλάσεις, οι οποίες προσφέρουν πολύτιμες πληροφορίες για τα μοτίβα που μαθαίνει το μοντέλο κατά την εκπαίδευση και για τις διαδικασίες λήψης αποφάσεών του.	el
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	105 σ.	el
heal.fullTextAvailability	false