Siavash Mollaebrahim Ghari har vært knyttet til ph.d.-programmet i teknologi og realfag, med spesialisering i IKT.
- Prøveforelesning starter kl. 10.15
- Disputas starter kl. 12.15
Tema for prøveforelesningen "Graph Neural Networks: Principles, Architectures, and Applications"
Les avhandlingen i Nasjonalt vitenarkiv
Disputasleder: Morgan Konnestad
Evalueringskomite:
- 1. opponent: Professor Antonio Luiz Lopes Ramos, USN
- 2. opponent: Førsteamanuensis Naveed ur Rehman, Aarhus University
- Komiteadminstrator: Professor Andreas Prinz, UiA
Veileder i doktorgradsarbeidet:
- Hovedveileder: Professor Baltasar Lozano, UiA
Sammendrag
Desentralisert signalbehandling studerer hvordan lærings- og inferensoppgaver kan utføres når data er distribuert over et nettverk, og sentralisert innsamling eller behandling av informasjon er upraktisk. Slike situasjoner oppstår blant annet i sensornettverk, trådløse og ad-hoc-nettverk samt i applikasjoner med strenge personvernkrav. I slike systemer kan overføring av alle lokale data til et sentralt knutepunkt være ineffektivt eller umulig på grunn av kommunikasjons- og energibegrensninger, skalerbarhetsutfordringer, krav til lav forsinkelse eller hensyn til personvern. En sentral klasse av desentraliserte oppgaver er implementeringen av lineære in-network-transformasjoner, der hver node iterativt utveksler lokal informasjon med sine naboer og oppdaterer sin interne tilstand slik at nettverket samlet realiserer en ønsket lineær transformasjon etter et endelig antall lokale utvekslinger.
Et viktig eksempel på en lineær in-network-transformasjon er subromsprojeksjon. Gitt støyende observasjoner brukes projeksjon onto et signalsubrom til å redusere støy og håndheve modellstruktur, og dette utgjør en grunnleggende operasjon i parameterestimering, deteksjon og mange andre signalbehandlingsmetoder. En desentralisert implementering av subromsprojeksjon er derfor en muliggjørende byggestein for mer omfattende læringsoppgaver over nettverk.
Denne avhandlingen benytter graf-signalbehandling (graph signal processing, GSP) for å utvikle desentraliserte algoritmer for lineære in-network-transformasjoner. Innen GSP representeres nettverkstopologien ved hjelp av en grafskiftoperator, og gjentatte lokale informasjonsutvekslinger tilsvarer gjentatte anvendelser av denne operatoren. Graffiltre, uttrykt som polynomer i grafskiftoperatoren, gir et prinsipielt rammeverk for å realisere lineære transformasjoner ved bruk av kun kommunikasjon mellom nabonoder. Vi har gjennomgått eksisterende desentraliserte metoder for å implementere lineære in-networktransformasjoner og identifisert flere begrensninger som ikke tidligere har vært tilstrekkelig adressert, noe som har motivert denne avhandlingen. De este eksisterende metodene enten fokuserer på spesielle tilfeller av in-network-transformasjoner eller begrenser seg til symmetriske nettverk. Videre finnes det arbeider som kun tillater approksimative in-network-transformasjoner fremfor eksakt beregning.
Slik følger du disputasen digitalt
Disputasen er åpen for alle. Meld deg på via denne Zoom-lenken.
Du logger deg på tidligst 10 minutter før oppgitt tid. Etter dette kan du når som helst forlate og komme inn igjen i disputasen.
Opponent ex auditorio:
Tidsfrist for å stille spørsmål er senest i løpet av pausen mellom opponentene. Spørsmål ex auditorio fra publikum kan sendes til Kristine Evensen Reinfjord.
Kontaktperson
- E-post
- kristine.reinfjord@uia.no
- Telefon
- +47 37 23 30 14