Tehnike dubokog učenja za podatke strukturirane u obliku grafova

Sažetak na hrvatskom: Graf je sveprisutna struktura podataka na kojoj je moguće izvoditi zadatke dubokog učenja pomoću različitih tehnika. U ovom su radu opisane poznate graf duboke neuronske mreže uz objašnjenje teorijskih osnova i navođenje njihovih prednosti i nedostataka. Također je iznesen i sv...

Full description

Permalink: http://skupni.nsk.hr/Record/fer.KOHA-OAI-FER:51669/Details
Glavni autor: Pavlić, Marko (-)
Ostali autori: Čavrak, Igor (Thesis advisor)
Vrsta građe: Drugo
Impresum: Zagreb, M. Pavlić, 2019.
Predmet:
LEADER 02788na a2200229 4500
003 HR-ZaFER
008 160221s2019 ci ||||| m||| 00| 0 hr d
035 |a (HR-ZaFER)ferid6677 
040 |a HR-ZaFER  |b hrv  |c HR-ZaFER  |e ppiak 
100 1 |a Pavlić, Marko  |9 40959 
245 1 0 |a Tehnike dubokog učenja za podatke strukturirane u obliku grafova :  |b diplomski rad /  |c Marko Pavlić ; [mentor Igor Čavrak]. 
246 1 |a Deep Learning Techniques on Graph-Structured Data  |i Naslov na engleskom:  
260 |a Zagreb,  |b M. Pavlić,  |c 2019. 
300 |a 82 str. ;  |c 30 cm +  |e CD-ROM 
502 |b diplomski studij  |c Fakultet elektrotehnike i računarstva u Zagrebu  |g smjer: Računalno inženjerstvo, šifra smjera: 55, datum predaje: 2019-06-28, datum završetka: 2019-07-15 
520 3 |a Sažetak na hrvatskom: Graf je sveprisutna struktura podataka na kojoj je moguće izvoditi zadatke dubokog učenja pomoću različitih tehnika. U ovom su radu opisane poznate graf duboke neuronske mreže uz objašnjenje teorijskih osnova i navođenje njihovih prednosti i nedostataka. Također je iznesen i sveobuhvatan pregled područja dubokog učenja na grafovima, a postojeće tehnike dubokog učenja dodatno su objašnjene u kontekstu graf dubokih neuronskih mreža. U sklopu rada implementirani su i robusno evaluirani različiti modeli graf dubokih neuronskih mreža, kako na skupovima podataka koji sadrže grafove citiranja, tako i na skupu podataka koji sadrži detektirane neurone iz slika histopatoloških preparata u cerebralnom korteksu mozga. 
520 3 |a Sažetak na engleskom: Graph is a ubiquitous data structure, effective for deep learning tasks using various techniques. This thesis describes well-known graph deep neural networks along with techniques' theoretical bases and their advantages and disadvantages. Furthermore, this thesis gives a comprehensive study of deep learning on graphs. Understanding of existent deep learning techniques is upgraded through the scope of graph deep neural networks. In addition, several techniques are implemented, trained and robustly evaluated on miscellaneous datasets, including citation graphs and neurons detected on images of histopathological slides of brain's cerebral cortex. 
653 1 |a duboko učenje  |a graf  |a reprezentacija vrha  |a nadzirano i nenadzirano učenje  |a graf konvolucijska mreža  |a induktivnost  |a mehanizam pažnje  |a kombinatorna generalizacija  |a relacijske induktivne sklonosti  |a Python  |a PyTorch  |a PyTorch Geometric 
653 1 |a deep learning  |a graph  |a node embedding  |a supervised and unsupervised learning  |a graph convolutional network  |a inductive learning  |a attention mechanism  |a combinatorial generalization  |a relational inductive biases  |a Python  |a PyTorch  |a PyTorch Geometric 
700 1 |a Čavrak, Igor  |4 ths  |9 18957 
942 |c Y 
999 |c 51669  |d 51669