近些年來,深度學習在許多領域取得了成功,包括圖像處理,自然語言處理等領域。然而,如何將深度學習擴展到圖上,這一問題仍然沒有得到完全解決。圖,也稱為網絡,有著豐富的定義與強大的表達能力,對深度學習在非傳統(tǒng)領域的發(fā)展有著重要的意義。我們把定義在圖上的模型稱之為圖網絡模型,把這一領域稱為圖神經網絡,簡稱圖網絡,以區(qū)別于卷積神經網絡。就目前而言,圖神經網絡借助卷積神經網絡的許多概念在圖上進行了移植與擴展,在許多任務上取得了優(yōu)秀的結果。然而,目前的大部分研究主要集中在節(jié)點性質與邊的性質的研究上,對于圖的整體性質的研究相比之下較少,對于有權圖的生成研究則更為稀少�；谏鲜銮闆r,本文利用公開的人腦連接組計劃數(shù)據集,結合圖網絡模型中的圖卷積操作,對醫(yī)學領域的相關模型進行了改進。在保持其良好的理論解釋性的基礎上,我們通過圖卷積操作與其他調整,使得模型對于目標的預測能力得到了有效提升。本文的研究工作主要分為以下三個部分。首先,我們對圖神經網絡領域的研究背景進行介紹,明確當前圖神經網絡領域下的主流模型及其原理機制。在此基礎上,我們對其中的圖卷積網絡進行深入研究,利用相關文獻分析其理論基礎與模型演進,最后得出... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

圖１－１?Ｚａｃｈａｒｙ?Ｋａｒａｔｅ俱樂部社交關系圖［５］??

?＼?：?ｖ?Ｉ?５０?■??０．８?Ｉ?．０．８??１００＇?１００＇??２００?１－０．４?２００?１－０．４??２５０?Ｉ?２５０?＂ｆｌ??３００?ｌ°＇２?３Ｑ０?ｌ°＇２??３５０??．?．?，?，?．???＾?■〇．〇?３５０?１?，?，?，?，?，?，?Ｊ?■〇．〇??０?５０?１００?１５０?２００?２５０?３００?３５０?０?５０?１００?１５０?２００?２５０?３００?３５０??（ｅ）?（ｆ）??圖４－２各模型、的單樣本預測結果比較圖ｓ?〇〇樣本的功能矩陣；（ｂ）圈擴散模型預測結??果；⑷特征分解模型預測結果；（ｄ）ＶＧＡＥ－ＧＡＴ模型預測結果；⑷圖卷積特??征分解模型預測結果；（ｆ）ＧＣＬＮ模型預測結果??４４??

?第四章實驗設計與結果分析???各模型在測試集上的預測效果??０．６?＊?Ｘ?Ｘ?ｘ?ｘ?ｘ?ｘ?Ｘ?＾??：：臂越鑛＆故??Ｉ?？?？?？?？？??ｉ．?〇．２?，??？？?？??＋?Ｅｉｇｅｎ?Ｄｅｃｏｍｐｏｓｉｔｉｏｎ??Ｇｒａｐｈ?Ｄｉｆｆｕｓｉｏｎ??〇．ｌ?■??Ｘ?Ｏｕｒ?ｍｏｄｅｌ??ｔ?ＶＧＡＥ－ＧＡＴ??〇，〇?■?？?ＧＣＬＮ??Ｉ?Ｉ?Ｉ?Ｉ?ｉ?Ｉ?Ｂ?Ｉ??０?１０?２０?３０?４０?５０?６０?７０??樣本編號??圖４－３各模型在測試集上的預測結果對比圖??從圖中可以看出，ＶＧＡＥ－ＧＡＴ模型在驗證集上獲得了較好的效果，處于特征??分解模型與我們的模型之間，結果波動相對較大。??而本文改進的圖卷積特征分解模型，效果均值對比上述模型有明顯的增加，并??且總體上模型預測結果的差異較校對比模型上限，我們可以看出模型通過優(yōu)化與??改進后有可能在同樣的數(shù)據集上獲得更好的效果。??接下來，我們從數(shù)提貴和噪聲〒擾兩方面對模型的穩(wěn)定性進行分析。??４．４．４訓練數(shù)據量對比實驗??首先我們測試數(shù)據量大小對模型預測效果的影響。??我們目前的數(shù)據集樣本總數(shù)為７５４。我們調整訓練集比例，由８０％開始逐漸下??降，固定原有的最后１０％的樣本作為測試集進行測試，以尋找模型效果出現(xiàn)明顯拐??點時的訓練樣本數(shù)目。??首先對于特征分解模型進行測試。由于模型較為簡單，優(yōu)化相對平滑，我們采??用Ａｄａｍ優(yōu)化器，學習率設為０．００１，訓練７個周期后開啟早停機制。結果如表４－??７所示。??４５??


本文編號：3128341