|
|
Approximation of Sound Propagation by Neural Networks
Nguyen, Son Hai ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Neural solvers have been increasingly explored to replace computationally expensive conventional numerical methods for solving PDEs. This work focuses on solving the time-independent Helmholtz equation for the transcranial ultrasound therapy. Using the convolutional neural networks requires the data to be sampled on a regular grid. In order to try to lift this restriction, we propose an iterative solver based on graph neural networks. Unlike Physics-informed neural networks, our model needs to be trained only once, and only a forward pass is required to obtain a new solution given input parameters. The model is trained using supervised learning, where the reference results are computed using the traditional solver k-Wave. Our results show the model's unroll stability despite being trained with only 8 unroll iterations. Despite the model being trained on the data with a single wave source, it can predict wavefields with multiple wave sources in much larger computational domains. Our model can produce a prediction for sub-pixel points with higher accuracy than linear interpolation. Additionally, our solution can predict the wavefield with downsampled Laplacian - only three samples per wavelength. We are unaware of any other existing method capable of working with such a sparse discretization.
|
|
|
Automatické rozpoznávání matematických výrazů pomocí neuronových sítí
Halva, Vladislav ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá problematikou automatického rozpoznávání matematických výrazů pomocí neuronových sítí. Obsahuje přehled existujících přístupů pro tuto úlohu a zaměřuje se zejména na rozpoznávání ručně psaných matematických výrazů a využití grafových neuronových sítí. Jádrem navrženého systému pro rozpoznávání ručně psaných matematických výrazů je model neuronové sítě typu kodér-dekodér využívající grafové neuronové sítě pro přirozenou práci s hierarchickou strukturou matematických výrazů. Úspěšnost systému je vyhodnocena na datové sadě CROHME, která byla publikována v rámci stejnojmenné soutěže v rozpoznávání matematických výrazu. Součástí práce jsou také experimenty, které blíže studují navržený model. Navržené řešení dosahuje úspěšnosti 13.34% ExpRate, tedy přesného rozpoznání matematického výrazu na testovacích datech sady CROHME 2019. Přínosem této práce je zejména návrh metody použití grafových neuronových sítí pro rozpoznávání matematických výrazu z obrázků a obecně jejich zpracování v grafové doméně.
|
|
|
Graph Convolutional Neural Networks For Sentiment Analysis
Myska, Vojtech
Commonly used approaches based on deep learning for sentiment analysis task operating over data in Euclidean space. In contrast with them, this paper presents, a novel approach for sentiment analysis task based on a graph convolutional neural networks (GCNs) operating with data in Non-Euclidean space. Text data processed by the approach have to be converted to a graph structure. Our GCNs models have been trained on 25 000 data samples and evaluated 5 000 samples. The Yelp data set has been used. The experiment is focused on polarity sentiment analysis task. Nevertheless, a relatively small training data set has been used, our best model achieved 86.12% accuracy.
|
|
|
Aplikace metody učení bez učitele na hledání podobných grafů
Sabo, Jozef ; Burgetová, Ivana (oponent) ; Křivka, Zbyněk (vedoucí práce)
Cieľom tejto diplomovej práce bolo v spolupráci s firmou Avast navrhnúť systém, ktorý dokáže dolovať znalosti z databázy grafov pomocou metód učenia bez učiteľa. Grafy, určené pre dolovanie, popisujú chovanie počítačových systémov a do databázy prichádzajú anonymne od používateľov softvérových produktov firmy. Grafom v databáze je možné priradiť jednu z dvoch tried: čistý graf alebo malware (škodlivý) graf. Úlohou navrhnutého samoučiacieho systému je nad grafovou databázou nájsť zhluky grafov, v ktorých sa triedy grafov nemiešajú. Zhluky grafov, v ktorých sa nachádza iba jedna trieda grafov, sa dajú interpretovať ako rôzne typy čistých alebo malware grafov a sú užitočným zdrojom ďalších analýz nad grafmi. Pre ohodnotenie kvality zhlukov bola navrhnutá vlastná metrika pomenovaná ako jednofarebnosť. Metrika hodnotí kvalitu zhlukov na základe toho ako veľmi sa v zhlukoch miešajú čisté a malware grafy. Najlepšie výsledky metrika dosiahla, keď boli vektorové reprezentácie grafov vytvorené modelom hlbokého učenia (variačným grafovým autoenkodérom s dvomi relačnými grafovými konvolučnými operátormi) a pre zhlukovanie nad vektormi bola použitá bezparametrická metóda MeanShift.
|
host ::
RSS.