Generating graphs using deep learning methods

W niniejszej pracy przedstawiono klasyfikację oraz generowanie grafów przy wykorzystaniu geometrycznych grafowych sieci konwolucyjnych, które uwzględniają współrzędne wierzchołków. Opisywane podejście zostało zaproponowane przez grupę metod uczenia maszynowego GMUM.Realizacja tematu obejmuje autorską implementację wykorzystanej warstwy, stworzenie modelu klasyfikacji grafów, autoenkodera wariacyjnego (ang. VAE - Variational Autoencoder), a także zastosowanie podejścia adwersarialnego (ang. GAN - Generative Adversarial Network) i jego modyfikacji w postaci autoenkodera Wasserstein'a opartego o schemat uczenia GAN'a (ang. WAE-GAN - Wassernstein Autoencoder with GAN based penalty). Dodatkowo stworzono również środowisko do ewaluacji algorytmów uczenia maszynowego, dla danych w postaci struktur grafowych.Eksperymenty wykonano posługując się trzema zestawami danych, które obejmują reprezentacje grafów jako obrazy, grafy oraz związki chemiczne. Osiągnięte wyniki pokazują, że zaimplementowany model pozwala na uzyskanie porównywalnych z konkurencyjnymi modelami rezultatów w zadaniach klasyfikacyjnych oraz na generowanie poprawnych etykiet wierzchołków dla zbiorów danych MNIST oraz MNIST super piksele.This work presents graph classification and generation using geometric graph convolutional networks which take nodes coordinates into account. For the first time, this approach was proposed by machine learning group of Jagiellonian University GMUM.Realisation of the topic includes implementation of the layer, graph classification model, creation of a Variational Autoencoder (VAE), Generative Adversarial Network (GAN) and it's modification - Wasserstein Autoencoder with GAN based penalty (WAE-GAN). Moreover, an environment for graph based machine learning algorithms evaluation has been created.Experiments were conducted using three datasets which include graph representation of images, graphs and chemical compounds. Achieved results show that the implemented models perform on a par with competitive solutions in classification tasks and generate correct nodes labels for MNIST and MNIST superpixels datasets