but.committee	prof. Dr. Ing. Pavel Zemčík, dr. h. c. (předseda) doc. RNDr. Jitka Kreslíková, CSc. (místopředseda) Ing. Vladimír Bartík, Ph.D. (člen) doc. Mgr. Lukáš Holík, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen) Ing. Libor Polčák, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: V technické zprávě uvádíte, že dostupná data byla rozdělena na trénovací, testovací a validační datovou sadu. Jak přesně byly využity jednotlivé datové sady při tvorbě samoučících systémů?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie a umělá inteligence	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Křivka, Zbyněk	cs
dc.contributor.author	Sabo, Jozef	cs
dc.contributor.referee	Burgetová, Ivana	cs
dc.date.created	2021	cs
dc.description.abstract	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.	cs
dc.description.abstract	Goal of this master's thesis was in cooperation with the company Avast to design a system, which can extract knowledge from a database of graphs. Graphs, used for data mining, describe behaviour of computer systems and they are anonymously inserted into the company's database from systems of the company's products users. Each graph in the database can be assigned with one of two labels: clean or malware (malicious) graph. The task of the proposed self-learning system is to find clusters of graphs in the graph database, in which the classes of graphs do not mix. Graph clusters with only one class of graphs can be interpreted as different types of clean or malware graphs and they are a useful source of further analysis on the graphs. To evaluate the quality of the clusters, a custom metric, named as monochromaticity, was designed. The metric evaluates the quality of the clusters based on how much clean and malware graphs are mixed in the clusters. The best results of the metric were obtained when vector representations of graphs were created by a deep learning model (variational graph autoencoder with two relation graph convolution operators) and the parameterless method MeanShift was used for clustering over vectors.	en
dc.description.mark	C	cs
dc.identifier.citation	SABO, J. Aplikace metody učení bez učitele na hledání podobných grafů [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.	cs
dc.identifier.other	136765	cs
dc.identifier.uri	http://hdl.handle.net/11012/200141
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	graf	cs
dc.subject	Avast	cs
dc.subject	učenie bez učiteľa	cs
dc.subject	zhlukovanie	cs
dc.subject	detekcia komunít	cs
dc.subject	vektorové reprezentácie uzlov	cs
dc.subject	vektorové reprezentácie grafov	cs
dc.subject	grafové neurónové siete	cs
dc.subject	graph	en
dc.subject	Avast	en
dc.subject	unsupervised learning	en
dc.subject	clustering	en
dc.subject	communities detection	en
dc.subject	node embeddings	en
dc.subject	graph embeddings	en
dc.subject	graph neural networks	en
dc.title	Aplikace metody učení bez učitele na hledání podobných grafů	cs
dc.title.alternative	Application of Unsupervised Learning Methods in Graph Similarity Search	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2021-06-23	cs
dcterms.modified	2021-06-24-11:35:09	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	136765	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:33:13	en
sync.item.modts	2025.01.15 19:51:23	en
thesis.discipline	Vývoj aplikací	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav informačních systémů	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Aplikace metody učení bez učitele na hledání podobných grafů

Files

Original bundle

Collections