Ağ yapılı veriler için öznitelik tabanlı özellik öğrenimi
Attribute-based feature learning for network-structured data
- Tez No: 816349
- Danışmanlar: DOÇ. DR. SERKAN SAVAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
Ağlar, birçok gerçek hayat senaryosunda veriler (düğümler) arasındaki etkileşimleri (bağlantıları) yakalama yeteneklerinden dolayı birçok sistemde yaygın olarak kullanılmaktadır. Ağlar, makine öğreniminde farklı tahmin tabanlı analizler yapmak için kullanılabilir. Ancak mevcut makine öğrenimi algoritmaları, veri örneklerinin birbirinden bağımsız olduğu ve ağ yapılı verilerin düzensiz ve değişken boyutlu doğası nedeniyle ağ bilgilerinin makine öğrenimine dahil edilmesini engellediği yönünde temel bir varsayıma sahiptir. Son zamanlarda, ağdaki yapısal bilgiyi koruyarak her düğüm için düşük boyutlu bir vektör temsilini öğrenmeyi amaçlayan özellik öğrenme yöntemleri önerilmiştir. Bu teknikler yalnızca ağın topoloji bilgisinden faydalanır ve düğüm özniteliklerini dikkate almaz. Ancak gerçek dünya ağları genellikle çok sayıda düğüme ve yüksek boyutlu düğüm özniteliklerine sahiptir. Bu çalışmada, topoloji bilgisinin yanı sıra düğüm özniteliklerinden faydalanmak için rasgele yürüyüş prensibini benimseyen node2vec yönteminin nasıl genişletilebileceği gösterilmiştir. Node2vec'teki bir rasgele yürüyüş, düğüm kimlikleri dizisi olarak temsil edilir, öznitelikleri kullanmak için düğüm kimlikleri dizisi yerine özellik vektörleri dizisi kullanılır. Tek kategorik özniteliğe sahip ağlar için node2vec-öznitelik, çok nitelikli ağlar için ise node2vec-öznitelik+ modelleri önerilmiştir. Önerilen yaklaşımların yapısal rollerin benzerliği ve düğüm sınıflandırması üzerindeki etkinliğini değerlendirmek için gerçek dünya veri setleri üzerinde çeşitli testler gerçekleştirilmiştir. Gerçekleştirilen tüm deneysel çalışmalar, her bir algoritmanın etkinliğini kanıtlamaktadır. Genel olarak sunulan sonuçlar, önerilen modellerin ağ ile ilişkili düğüm içerik bilgilerini yakalama ve kodlama konusundaki etkinliğini ve sağlamlığını ortaya koymaktadır.
Özet (Çeviri)
Networks are used widely in various systems because of their capacity to capture the interactions (edges) among data (nodes) in various real-world settings. This ability has led to the widespread adoption of networks. In the field of machine learning, constructed networks may be used to produce different predictive-based analyses. However, current machine learning methods are based on the assumption that data instances are independent of each other and prevent network information from being included in machine learning due to the irregular and variable-size nature of network structured data. Recently, feature learning methods have been proposed that aim to learn a low-dimensional vector representation for each node while preserving the structural information in the network. These techniques only use the network's topology information and do not consider the node attributes. However, real-world networks often have large numbers of nodes and high-dimensional node attributes. This study demonstrates how node2vec, which adopts the random walk principle, can be extended to take advantage of node attributes as well as topology information. With node2vec, a random walk is represented as an array of node identifiers. To utilize attributes, it is expressed as an array of feature vectors. The node2vec-attribute model is proposed for networks with a single categorical attribute and the node2vec-attribute+ model is for multi-attribute networks. Various experiments were performed on real-world datasets to evaluate the effectiveness of the proposed approaches on the similarity of structural roles and node classification. All the experimental studies performed prove the effectiveness of each algorithm. Overall, the presented results demonstrate the effectiveness and robustness of the proposed models in capturing and encoding network-related node content information.
Benzer Tezler
- Dağıtık üretim güç sistemlerinde geliştirilmiş oylama modeli tabanlı arıza tespiti ve sınıflandırması
Improved voting model based fault detection and classification in distributed generation power systems
FEVZEDDİN ÜLKER
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET KÜÇÜKER
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Building semantic based public transportation geoportal compliant with the INSPIRE transport network data theme
Semantik tabanlı toplu taşıma geoportalının INSPIRE ulaşım veri modeline uyumlu olarak geliştirilmesi
ARİF GÜNAY
Doktora
İngilizce
2013
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ORHAN ALTAN
- A multibiometric cryptosystem for user authentication
Kullanıcıların kimlik doğrulaması için çoklu-biyometrili şifreleme sistemi
FAEZEH SADAT BABAMIR
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI