MARC

 008260126s2023        us                              c    eng  d
■001000017360514
■00520260202105539
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263395186
■035    ▼a(MiAaPQ)AAI32315032
■035    ▼a(MiAaPQ)GeorgiaTech71983
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a516.35
■1001  ▼aSingh,  Rahul.
■24510▼aLearning  with  Graph  Structured  Data
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a117  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Chen,  Yongxin.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aGraphs  provide  a  natural  way  to  represent  information  in  structured  form.  A  graph  is  a  data  structure  describing  a  collection  of  entities,  represented  as  nodes,  and  their  pairwise  relationships,  represented  as  edges.  When  the  entities  in  a  graph  are  random  variables,  its  gives  rise  to  probabilistic  graphical  models  (PGMs).  PGMs  provide  a  natural  framework  for  the  representation  of  complex  systems  and  offer  straightforward  abstraction  for  the  interactions  within  the  systems.  Reasoning  with  help  of  probabilistic  graphical  models  allows  us  to  answer  inference  queries  with  uncertainty  following  the  framework  of  probability  theory.  General  inference  tasks  can  be  to  compute  marginal  probabilities,  conditional  probabilities  of  states  of  a  system.  Apart  from  the  inference  tasks  in  PGMs,  another  fundamental  problem  is  learning  the  parameters  of  a  candidate  graphical  model  by  extracting  information  from  empirical  observations.Traditional  methods  in  PGMs  are  concerned  with  the  structured  data  generated  with  known  individual's  association.  When  the  structured  data  is  generated  by  a  large  population  of  individuals  with  unknown  individual's  association,  it  gives  rise  to  collective  graphical  models  (CGMs).  Learning  and  inference  from  large  population  is  a  difficult  task  and  the  lack  of  individual  measurement  makes  it  even  more  challenging.  We  address  the  inference  problems  from  aggregate  data  via  its  connections  to  multimarginal  optimal  transport  theory  and  propose  convergent  algorithms  for  aggregate  inference  and  learning.  We  further  specialize  our  methods  to  simple  yet  popular  hidden  Markov  models  (HMMs)  and  Gaussian  HMMs.Another  important  problem  with  graph  structured  data  is  learning  graph  embeddings  which  has  a  vast  variety  of  application  domains  including  bioinformatics,  social  networks  and  recommendation  systems.  The  standard  deep  learning  techniques  such  as  recurrent  neural  networks  (RNNs)  or  convolutional  neural  networks  (CNNs)  cannot  generalize  to  arbitrary  graph  structure.  Recently,  graph  neural  networks  (GNNs)  have  been  proposed  to  alleviate  the  limitations,  however,  in  its  current  state  it  is  far  from  being  mature  in  both  theory  and  applications.  The  existing  GNNs  methods  cannot  be  directly  applied  to  signed  graphs  (with  positive  as  well  as  negative  edges)  due  to  computational  irregularities.  To  this  end,  we  propose  spectral  signed  graph  neural  network  designs  for  learning  node  embeddings  for  signed  graphs.  Furthermore,  we  introduce  signed  Magnetic  Laplacian  for  spectral  analysis  of  directed  signed  graphs  and  use  it  to  propose  new  spectral  GNN  designs  applicable  to  directed  signed  graphs.
■590    ▼aSchool  code:  0078.
■650  4▼aPolytopes
■650  4▼aProbability
■650  4▼aFourier  transforms
■650  4▼aGraph  representations
■650  4▼aSignal  processing
■650  4▼aNeural  networks
■650  4▼aElectrical  engineering
■650  4▼aWeb  studies
■650  4▼aMathematics
■690    ▼a0800
■690    ▼a0544
■690    ▼a0646
■690    ▼a0405
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360514▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서