Dyp læring til grafbaserte problemer

Dyp læring har gitt state-of-the-art ytelse i mange applikasjoner som datasyn, tekstanalyse, biologi, osv. Suksessen med dyp læring har også hjulpet fremveksten av dyp forsterkende læring for optimal beslutningstaking og har vist stort potensiale, spesielt i optimaliseringsproblemer. I tillegg har grafer som matematisk representasjon for strukturerte komplekse systemer vist seg å være et kraftig verktøy for analyse og problemløsning, og gitt et nytt perspektiv på formuleringen av problemet.

I denne oppgaven introduserer vi fem forskjellige use-case-applikasjoner, gjennom fem forskningsartikler, som kan modelleres som grafer og tar sikte på å skape nye modeller som adresserer problemer ved bruk av dyp grafrepresentasjonslæring og dype forsterkningslæringsmodeller.

Våre tre viktigste applikasjonsdomener er bioinformatikk, datasyn og logistikk.

Først tar vi sikte på å adressere to problemer innen bioinformatikk om integrering av kontinuerlige omics-datasett med biologiske nettverk i tilleg til bruk av grafrepresentasjonslæring for å behandle metabolske nettverk.

Det andre domenet av applikasjoner er datasynsdomenet, spesifikt problemet med gjenkjennelse av menneskelige gester. Vi introduserer et gestgjenkjenningssystem som er både raskere og mer nøyaktig enn den avanserte prediksjonen av menneskelige motivbevegelser fra mmWave Radar genererte punktskyer.

Den siste applikasjonen vi tar for oss er bruken av dyp forsterkningslæring for å optimalisere strukturen til grafene i kombinatoriske optimaliseringsproblemer i logistikk. Vi introduserer en generell problemuavhengig hyperheuristikk som utnytter beslutningsevnen til dyp forsterkende læring, ved å bruke en problemuavhengig tilstandsfunksjonsinformasjon.

Personalia

Ramin Hasibi fikk sin BSc og MSc fra Isfahan University of Technology og Amirkabir University of Technology innen informasjonsteknologi i henholdsvis 2016 og 2019. Han begynte som Ph.D.-forsker ved Institutt for informatikk, Universitetet i Bergen, hvor hans hovedfokus har vært på Graph Representation Learning og Graph Neural Networks, samt deres anvendelse i ulike domener. Han jobber nå som AI-konsulent innen finans og forsikring, med fokus på store språkmodellapplikasjoner.