24429

COM2 675

كارشناسي ارشد

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

مهندسي كامپيوتر

شهريور ماه 1403

81 ص.

پيمان اديبي

يادگيري هندسي ژرف , يادگيري خودنظارتي , يادگيري چندماهيتي , شبكه‌هاي عصبي گرافي , دادگان فراطيفي , ابر نقاط , گراف

نگاه هندسي به دادگان، دريچه‌اي نو براي بهره‌برداري از ساختارهايي پيچيده‌تر را به ارمغان مي‌آورد. گراف‌ ها، اَبْر نقاط ، مِش‌ ها، و به صورت كلي‌تر خمينه‌ ها با معرفي عمل‌گرها و رويكردهاي مبتني برفضاهاي نااقليدسي به بهبود عمل‌كرد شبكه‌هاي عصبي ژرف براي پردازش دادگان با بي‌نظمي بيش‌تر كمك مي‌كنند.از سوي ديگر، هر مجموعه‌داده حاصل استخراج از منبعي خاص است، از اين‌رو ويژگي‌هاي مرتبط با آن را به ارث مي‌برد. مقايسه‌ي اين منابع با حواس آدمي، باعث ايجاد شبكه‌هايي شده كه بر درك چندماهيتي از مسئله تمركز دارند.شبكه‌هاي چندماهيتي با به كاربستن اطلاعات از منابع مختلف و سعي در تبديل آن به دانش، ديد وسيع‌تري به هدف را ايجاد مي‌كنند.پيشروي به سمت بهينه‌ها در شبكه‌هاي عصبي ژرف برپايه‌ي تكرار مقايسه بين پيش‌بيني‌ها و واقعيت عيني در قالب برچسب ها رخ مي‌دهد.اين نياز اساسي به فراهم نمودنʹʹآن‌چه درست است`` (به صورت ضمني برچسب‌ها) براي يادگيري مسائل،منجر به ارائه‌ي توابع هدف خودنظارتي براي درك بازنمايي دادگان از خود دادگان شد.بين نگاه‌هاي ياد شده، مي‌توان پل‌هاي مختلفي را براي ارتباط و دست‌يابي به نتايج بهتر ترسيم نمود كه منجر به ايجاد مدل‌هاي نوين گردد.اين پژوهش سعي دارد تا با بهره‌گيري از دست‌آوردهاي هر كدام از اين حوزه‌ها، روندهاي فكري تازه‌اي را خلق كند.در اين راستا قدرت دسته‌بندي شبكه‌هاي عصبي گرافي بدون‌آموزش در مقابل مدل‌هاي خودنظارتي مورد بررسي قرار گرفته است.سپس راهكارهاي جديدي براي يادگيري خودنظارتي شبكه‌هاي عصبي گرافي معرفي شده است.ابتدا تابع هدفي جديد براساس پايه متعامد بازنمايي‌ها و سپس روشي جديد براي حذف نماها در يادگيري خودنظارتي گرافي معرفي شده است.براي دادگان چندماهيتي، مسئله دريافت نقاط هم‌جوشي بهينه در اين شبكه‌ها، به صورت كلي و بدون بهره‌برداري از پيش‌فرض‌هاي اوليه، به كمك شبكه‌هاي عصبي گرافي مورد بررسي قرار گرفته و مدلي جديد ارائه شده است.در نهايت مدلي براي دسته‌بندي تصاوير بر پايه‌ي شبكه‌هاي عصبي هندسي (گرافي، و ابر نقاط) ارائه شده است.

Geometric deep learning , Self-supervised learning , Multimodal learning , Graph neural networks , Multimodal data , Point cloud , Graph

Self-supervised Learning In Geometric Data Modeling For Multi-modal Problems

مهندسي هوش مصنوعي

The geometric view of the data brings a new perspective for exploiting more complex structures. Graphs, point clouds, meshes, and more generally manifolds help to improve the performance of deep neural networks by introducing operators and approaches based on non-Euclidean spaces. On the other hand, each data set is extracted from a specific source, hence it inherits the characteristics associated with it. Comparing these sources with human senses has created networks that focus on multimodal understanding of the problem. By using information from different sources and trying to convert it into knowledge, multimodal networks create a broader view of the goal. Advancing towards optima in deep neural networks occurs based on repeated comparisons between predictions and objective reality in the form of labels. This fundamental need to provide `what is trueʹ (implicitly as labels) led to the introduction of self-supervised objective functions to understand the data representation from the data itself. Between the mentioned views, different ways can be drawn for communication, which will lead to the creation of new models. This research tries to create new intellectual trends by taking advantage of the achievements of each of these areas. In this regard, the classification power of untrained graph neural networks has been investigated against self-supervised models. Then, new solutions for self-supervised learning of neural networks have been introduced. The problem of obtaining fusion points in multimodal networks has been investigated in a general way with the help of graph neural networks. At the end, a new model for image classification based on geometric neural networks is presented.

9