|
Title
|
تشخیص جوامع شبکه های پیچیده با استفاده از معماری ترکیبی GNN-LSTM و شاخص های شباهت محلی گره
|
|
Type of Research
|
Thesis
|
|
Keywords
|
تشخیص جوامع، شبکه های پیچیده، شاخص های شباهت گره ها، شبکه عصبی گراف (GNN)، حافظه بلندمدت (LSTM)، یادگیری عمیق
|
|
Abstract
|
تشخیص جوامع در شبکه های چندلایه یکی از پیچیده ترین مسائل در حوزه تحلیل شبکه های پیچیده به شمار می رود که کاربردهای گسترده ای در علوم مختلف از جمله شبکه های اجتماعی، زیست شناسی، فناوری اطلاعات و امنیت سایبری دارد [1]. شبکه های چندلایه، به دلیل توانایی نمایش هم زمان چند نوع رابطه یا تعامل میان گره ها، مدل واقع گرایانه تری از سیستم های پیچیده ارائه می دهند و به همین دلیل، تحلیل و تشخیص جوامع در این شبکه ها نیازمند ابزارها و الگوریتم های پیشرفته تر و دقیق تری است. یکی از دلایل اصلی اهمیت تشخیص جوامع، نقش کلیدی آن در فهم ساختار، کارکرد و دینامیک سیستم های شبکه ای است. جوامع نشان دهنده گروه هایی از گره ها هستند که تعاملات درون گروهی آن ها بسیار متراکم تر از تعاملات برون گروهی است و شناخت دقیق این ساختارها می تواند به تحلیل رفتار گروهی، پیش بینی روندهای شبکه، بهینه سازی فرآیندهای انتشار اطلاعات و مقابله با تهدیدات امنیتی کمک کند .[5] در شبکه های چندلایه، این موضوع پیچیده تر می شود، چرا که هر لایه می تواند نمایانگر نوع متفاوتی از تعاملات باشد و جوامع ممکن است در لایه های مختلف تفاوت های چشمگیری داشته باشند [11].
ضرورت این پژوهش از دو منظر علمی و کاربردی قابل بیان است. از نظر علمی، توسعه و بهبود الگوریتم های تشخیص جوامع در شبکه های چندلایه با توجه به ابعاد زمانی و ساختاری، یکی از چالش های مهم در حوزه علوم داده و یادگیری ماشین محسوب می شود. ارائه یک مطالعه تطبیقی که اثرگذاری شاخص های شباهت مختلف را در این چارچوب بررسی کند، می تواند به توسعه دانش نظری در زمینه مدل سازی شبکه های پیچیده کمک کند و راهنمایی برای پژوهشگران آینده باشد. از منظر کاربردی، شبکه های چندلایه در بسیاری از سامانه های واقعی، مانند شبکه های اجتماعی، شبکه های حمل و نقل، سیستم های مالی و شبکه های زیستی، کاربرد دارند. تشخیص بهینه جوامع در این شبکه ها می تواند به بهبود تصمیم گیری ها، افزایش امنیت، و بهینه سازی منابع منجر شود[12]. همچنین، مدل سازی ابعاد زمانی با استفاده از معماری ترکیبی GNN-LSTM می تواند به پیش بینی رفتار آینده شبکه و بهبود پاسخ های هوشمند در سیستم های پویا کمک کند. با توجه به پیشرفت های اخیر در یادگیری عمیق، به ویژه شبکه های عصبی گراف و مدل های ترتیبی، استفاده از این تکنیک ها در تشخیص جوامع شبکه
|
|
Researchers
|
(Student)، Asgarali Bouyer (Primary Advisor)، Alireza Rouhi (Advisor)
|