本论文的主题是图数据的机器学习。图是信号结构的通用模型,在解决智能电网、传感器网络和机器人群等各种领域的问题中发挥着至关重要的作用。因此,开发能够成功地从图数据中学习的机器学习模型是一个具有巨大潜在影响的有前景的研究领域。
本论文特别关注图神经网络(GNN)这一主题,作为成功解决涉及图数据的问题的主要机器学习模型。GNN 是非线性表示图,利用底层图结构来改进学习并实现更好的性能。GNN 的关键属性之一是它们是局部分布式数学模型,这使得它们与涉及物理网络的问题特别相关。
本论文的首要目标是表征 GNN 的表示空间。这需要几个研究方向。首先,我们定义了一个数学框架,它提供了通用工具,并为具体 GNN 模型的分析和设计奠定了基础。其次,我们得出了基本属性和理论见解,作为理解在涉及图数据的实际问题中使用 GNN 时所观察到的成功的基础。第三,我们根据 GNN 所表现出的特性,探索自然适合使用 GNN 的新应用领域。
我们利用图信号处理 (GSP) 及其图滤波和图频域的关键概念来提供表征 GNN 的通用数学框架。我们推导了排列等方差和图支持扰动稳定性的属性,并使用这些属性来解释 GNN 相对于线性图过滤器的性能改进。我们还展示了这两个属性如何帮助解释 GNN 的可扩展性和可转移性。我们探索 GNN 在学习去中心化控制器中的用途,并展示它们在解决集群问题上的成功。
论文题目:Graph Neural Networks
作者:Fernando Gama
类型:2020年博士论文
学校:University of Pennsylvania(美国宾夕法尼亚大学)
下载链接:
链接: https://pan.baidu.com/s/1OyX3XsmCxBATMD3x1m6EeQ?pwd=ui66
硕博论文汇总:
链接: https://pan.baidu.com/s/1Gv3R58pgUfHPu4PYFhCSJw?pwd=svp5
微信群 公众号