20.500.12556/RUL-186215 Uporaba grafkov za klasifikacijo in interpretacijo molekulskih grafov Using graphlets for classifying and interpreting molecular graphs Klasifikacija grafov je pomembna naloga, ki se pojavlja na številnih področjih. Za reševanje tega problema običajno izračunamo določene značilnosti grafov, ki omogočajo razlikovanje med grafi različnih razredov. Veliko pristopov pri tem obravnava graf kot celoto, vendar pri realnih podatkih za klasifikacijo pogosto niso enako pomembni vsi deli grafa. Vzorci, ki najbolje ločujejo med razredi, so lahko prisotni le v določenih lokalnih delih grafa, medtem ko preostala struktura vsebuje manj pomembne ali šumne informacije. Take lokalne vzorce lahko zajamemo z grafki. V okviru raziskave graf predstavimo z vektorsko vložitvijo, primerno za uporabo v klasičnih metodah strojnega učenja. Število pojavitev grafkov v vhodnem grafu pri tem predstavlja njeno osnovo. Njeno učinkovitost pa ovrednotimo na štirih zbirkah realnih molekulskih grafov iz zbirke TUDataset. Izvedemo klasifikacijo grafov, analiziramo, kateri grafki najbolj prispevajo h končnemu rezultatu modela, ter raziščemo mejo velikosti grafkov, do katere pristop še ostane računsko izvedljiv. Rezultati kažejo, da grafkovna vložitev lahko zajame uporabne strukturne informacije, vendar se z večanjem velikosti grafkov poveča tudi dimenzionalnost vložitve in računska zahtevnost postopka. V okviru razpoložljivih računskih virov zato obravnavamo grafke do velikosti sedmih vozlišč. Graph classification is an important task that appears in many domains. To solve this problem, graphs are commonly described with structural features that make it possible to distinguish between graphs from different classes. Many approaches treat the graph as a whole, but with real-world data, not all parts of a graph are equally important for classification. Patterns that best distinguish between classes may occur only in certain local regions of a graph, while the remaining structure may contain less relevant or noisy information. Such local structural patterns can be captured with graphlets. In this work, we represent a graph with a vector embedding suitable for use in classical machine learning methods. The embedding is based on the number of graphlet occurrences in the input graph, and we evaluate its effectiveness on four real-world molecular graph datasets from the TUDataset collection. We perform graph classification, analyse which graphlets contribute the most to the final model outcome, and explore the size limit of graphlets up to which the approach remains computationally feasible. The results show that graphlet-based embeddings can capture useful structural information, but as graphlet size increases, both the dimensionality of the embedding and the computational cost of the procedure grow as well. Given the available computational resources, we therefore consider graphlets up to seven nodes in size. teorija grafov grafki klasifikacija grafov analiza omrežij strojno učenje graph theory graphlets graph classification network analysis machine learning true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-08-28 11:35:06 2026-08-28 11:35:27 2026-08-29 04:40:52 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 38725 Pasic_Ivana_-_Uporaba_grafkov_za_klasifikacijo_in_interpretacijo_molekulskih_grafov.pdf Pasic_Ivana_-_Uporaba_grafkov_za_klasifikacijo_in_interpretacijo_molekulskih_grafov.pdf 1 FD97A5F2BDBD51D924FEF9F2BAEF16C4 239127947a618c8a1402e932b1f965d2d04d16503684b2410daff5a5638cdf26 63052dbf-a2c3-11f1-9b0d-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=245331 Fakulteta za računalništvo in informatiko 0 0 0