Pohitritev difuzijskega jedra grafa in metode NetLSD z uporabo podprostorov KrilovaFilipovič, Rok (Avtor) Fürst, Luka (Mentor) Kanduč, Tadej (Komentor) metode jedragrafipodprostori KrilovaNetLSDdifuzijsko jedroMetode jedra so poleg nevronskih mrež vodilno orodje za strojno učenje na grafih. Za učenje na nivoju grafov se jedra opirajo na različne lastnosti, od soseščin vozlišč do najkrajših poti med naključnimi vozlišči, lahko pa tudi na difuzijsko jedro Laplaceove matrike, ki jo določa graf. Za velike grafe pa je natančen izračun difuzijskega jedra računsko prezahteven. V tem delu obravnavamo pohitritev izračuna z uporabo metod podprostorov Krilova, ki omogočajo učinkovite aproksimacije jedra za različne difuzijske čase. Te aproksimacije tvorijo približek metode NetLSD, ki vsak graf opiše z vektorjem na način, neodvisen od permutacije, merila in velikosti. Uporaba podprostorov Krilova omogoča kompromis med hitrostjo in natančnostjo tudi za zelo velike grafe, za katere izračun običajno ni izvedljiv.20262026-07-05 08:15:07Magistrsko delo/naloga184358sl