ncorporating network structure with node contents for community detection on large networks using deep learning

شرح پروژه

در سال‌های اخیر، یادگیری عمیق در زمینه‌های گوناگونی از قبیل تشخیص صوت، طبقه‌بندی تصویر و... بکار گرفته شده است. شبکه‌های عصبی قالبی مناسب برای محاسبات غیرخطی، با عناصری که شبیه‌سازی ساختار و مشخصات نورون‌ها هستند را در اختیار ما قرار می‌دهند. در این میان اتوانکودرها سعی در استخراج ویژگی‌های داده ورودی را دارند. استفاده همزمان از اتوانکودرها بهمراه روش‌های اسپکترال سعی در بدست آوردن تقریب کاهش بعد یافته از ماتریس متناظر ورودی را دارند.بر اساس این شباهت، از اتوانکودرها بعنوان نقطه قوتی برای حل نقطه ضعف بهینه‌سازی خطی و نیز استفاده همزمان از این دو روش متفاوت بر اساس اسپکترال متودها پرداختیم. در این پیشنهادیه از روشی مبتنی بر اتوانکودرهای نویززدا برای تشخیص جوامع در کنار بکارگیری از normalize-cutو modularity maximizationبهره برده‌ایم. اتوانکودرهای نوززدا قابلیت استخراج ویژگی‌های مقاوم‌تر و پایدارتر تحت نویزدار شدن در ساختاراصلی داده را دارا می‌باشند.روش پیشنهادی برگرفته از شباهت در تئوری میان اتوانکودرها و روش‌های اسپکترال می‌باشد. اتوانکودر روشی مبتنی بر یادگیری بدون نظارت می‌باشد و عمل کاهش ابعاد و استخراج ویژگی در لایه پنهان آن صورت می‌پذیرد. در این روش از حداکثرسازی ماژولار و برش نرمال جهت بدست آوردن ارتباط میان گره‌های جوامع و نیز محتوی این گره‌ها بصورت جداگانه استفاده کرده‌ایم و سپس ماتریس طیفی(ماتریس ماژولار و ماتریس مارکوف) را بعنوان ورودی به اتوانکودرنویززدا اعمال می‌نمائیم. با ایجاد ساختار چندین لایه از اتوانکودرهای نویززدا با ساختاری عمیق، قادر به دست‌یابی به نمایندگی قدرتمندی از داده ورودی جهت بهبود کشف جوامع خواهیم بود. روش ارائه شده دارای چند گام می‌باشد:

1.   از اتوانکودرهای نویززدا  جهت کاهش ابعاد، استخراج نمایندگی بهینه از داده ورودی و نیز بازسازی ماتریس الحاقی متشکل از ماتریس مارکوف و ماتریس ماژولار استفاده می‌کنیم.

2.   این نگاشت حاصل از یادگیری عمیق متودی غیرخطی جهت مجتمع نمودن ارتباط و محتوا در اختیار ما قرار خواهد داد که باعث بهبود عملکرد تشخیص جوامع بدلیل استفاده از دو گونه از اطلاعات خواهد شد. اتوانکودرنویززدا نه تنها باعث کاهش ابعاد بلکه بصورت خودکار به روابط میان وزن‌ها تحت عوامل متفاوت در راستای کاهش خطای بازسازی خواهد پرداخت. بدین جهت عملکرد این روش بر اساس شاخصه تنظیم خودکار و نه مبتنی بر تنظیم عوامل ایجاد توازن می‌باشد.

3.   علاوه بر موارد فوق با ساختار عمیق اتوانکودرهای نویززدا، روشی قدرتمند برای تعمیم‌دهی و نگاشت داده در لایه پنهان ایجاد نموده‌ایم که به نگاشت توپولوژیک و محتوایی که امری مهم در تشخیص جوامع تلقی می‌شود پرداخته‌ایم.

4.   خروجی حاصل از نگاشت‌های پی‌در‌پی شبکه اتوانکوانکودرهای نویززدا، توسط خوشه بندی فازی قابلیت دسته بندی جوامع حتی در صورت هم‌پوشانی را نیز خواهد داشت.

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

کاربر89855

عضویت شش سال پیش

1 پروژه ثبت شده ،

0 پروژه در حال انجام ،

0 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 0%