近些年來,深度學(xué)習(xí)在許多領(lǐng)域取得了成功,包括圖像處理,自然語言處理等領(lǐng)域。然而,如何將深度學(xué)習(xí)擴(kuò)展到圖上,這一問題仍然沒有得到完全解決。圖,也稱為網(wǎng)絡(luò),有著豐富的定義與強(qiáng)大的表達(dá)能力,對深度學(xué)習(xí)在非傳統(tǒng)領(lǐng)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(wǎng)絡(luò)模型,把這一領(lǐng)域稱為圖神經(jīng)網(wǎng)絡(luò),簡稱圖網(wǎng)絡(luò),以區(qū)別于卷積神經(jīng)網(wǎng)絡(luò)。就目前而言,圖神經(jīng)網(wǎng)絡(luò)借助卷積神經(jīng)網(wǎng)絡(luò)的許多概念在圖上進(jìn)行了移植與擴(kuò)展,在許多任務(wù)上取得了優(yōu)秀的結(jié)果。然而,目前的大部分研究主要集中在節(jié)點性質(zhì)與邊的性質(zhì)的研究上,對于圖的整體性質(zhì)的研究相比之下較少,對于有權(quán)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(jù)集,結(jié)合圖網(wǎng)絡(luò)模型中的圖卷積操作,對醫(yī)學(xué)領(lǐng)域的相關(guān)模型進(jìn)行了改進(jìn)。在保持其良好的理論解釋性的基礎(chǔ)上,我們通過圖卷積操作與其他調(diào)整,使得模型對于目標(biāo)的預(yù)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(jīng)網(wǎng)絡(luò)領(lǐng)域的研究背景進(jìn)行介紹,明確當(dāng)前圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域下的主流模型及其原理機(jī)制。在此基礎(chǔ)上,我們對其中的圖卷積網(wǎng)絡(luò)進(jìn)行深入研究,利用相關(guān)文獻(xiàn)分析其理論基礎(chǔ)與模型演進(jìn),最后得出... 

【文章來源】：電子科技大學(xué)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(xué)位級別】：碩士

【部分圖文】：

圖１－１?Ｚａｃｈａｒｙ?Ｋａｒａｔｅ俱樂部社交關(guān)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(yù)測結(jié)果比較圖ｓ?〇〇樣本的功能矩陣；（ｂ）圈擴(kuò)散模型預(yù)測結(jié)??果；⑷特征分解模型預(yù)測結(jié)果；（ｄ）ＶＧＡＥ－ＧＡＴ模型預(yù)測結(jié)果；⑷圖卷積特??征分解模型預(yù)測結(jié)果；（ｆ）ＧＣＬＮ模型預(yù)測結(jié)果??４４??

?第四章實驗設(shè)計與結(jié)果分析???各模型在測試集上的預(yù)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(yù)測結(jié)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(jié)果波動相對較大。??而本文改進(jìn)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(yù)測結(jié)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(jìn)后有可能在同樣的數(shù)據(jù)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(jìn)行分析。??４．４．４訓(xùn)練數(shù)據(jù)量對比實驗??首先我們測試數(shù)據(jù)量大小對模型預(yù)測效果的影響。??我們目前的數(shù)據(jù)集樣本總數(shù)為７５４。我們調(diào)整訓(xùn)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(jìn)行測試，以尋找模型效果出現(xiàn)明顯拐??點時的訓(xùn)練樣本數(shù)目。??首先對于特征分解模型進(jìn)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(xué)習(xí)率設(shè)為０．００１，訓(xùn)練７個周期后開啟早停機(jī)制。結(jié)果如表４－??７所示。??４５??


本文編號：3128341