Structure characterization of complex networks for machine learning (2023)
- Authors:
- Autor USP: ANGHINONI, LEANDRO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/T.55.2023.tde-13092023-143213
- Subjects: APRENDIZADO COMPUTACIONAL; REDES COMPLEXAS; REDES NEURAIS; ANÁLISE DE SÉRIES TEMPORAIS
- Keywords: Community structure; Complex networks; Core- periphery network; Estrutura de comunidades; Graph neural network; Graph neural network; Machine learning; Redes Core-periphery
- Agências de fomento:
- Language: Inglês
- Abstract: Na última década, o aprendizado de máquina prosperou devido à avanços significativos na capacidade do hardware e no desenvolvimento de novos modelos. Modelos baseados em redes têm atraído bastante atenção recentemente por sua capacidade de aprender não somente com base nas características físicas dos dados (similaridade, distribuição, etc.) mas também com base no padrão de conexão entre os dados. Na busca de modelos melhores, a pesquisa evoluiu para incorporar a estrutura da rede no processo de aprendizagem. Alguns trabalhos recentes têm mostrado que explorar a estrutura da rede pode levar a melhores resultados de aprendizagem. Isto é feito capturando as conexões mais relevantes no processo de aprendizagem baseado na topologia da rede. Em vista disso, esta tese desenvolve quatro estudos para incorporar a estrutura da rede em algoritmos de aprendizado de máquina. No primeiro estudo, a estrutura da rede é utilizada para aprender padrões de séries temporais através de algoritmos de detecção de comunidades. O segundo estudo usa uma estrutura de rede core-periphery para representar dados onde uma das classes tem uma alta dispersão e é difícil de ser classificada por algoritmos tradicionais. Em outras palavras, introduzimos um método baseado em rede para representar o padrão de dados "sem padrão". O terceiro estudo propõe modelar um surto epidêmico através da predição de conexões em uma rede construída a partir de dados reais. Mostra-se que o isolamento social e o uso demáscaras pode diminiur o pico de casos de COVID-19. No último estudo, propomos um novo modelo de rede neural em grafo (Graph Neural Network) que combina a estrutura de comunidade dos dados do grafo e os vetores de características dos nós para gerar um embedding do grafo de forma rápida. A GNN proposta evita o problema de over-smoothing de métodos clássicos. Estes estudos mostram que a abordagem através de redes complexas pode superar várias deficiências de técnicas clássicas de aprendizado.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 03.07.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
ANGHINONI, Leandro. Structure characterization of complex networks for machine learning. 2023. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13092023-143213/. Acesso em: 24 jul. 2024. -
APA
Anghinoni, L. (2023). Structure characterization of complex networks for machine learning (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13092023-143213/ -
NLM
Anghinoni L. Structure characterization of complex networks for machine learning [Internet]. 2023 ;[citado 2024 jul. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13092023-143213/ -
Vancouver
Anghinoni L. Structure characterization of complex networks for machine learning [Internet]. 2023 ;[citado 2024 jul. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13092023-143213/ - Classificação e previsão de séries temporais através de redes complexas
- Time series trend detection and forecasting using complex network topology analysis
- Analysis of the effectiveness of public health measures on COVID-19 transmission
- TransGNN: a transductive graph neural network with graph dynamic embedding
- Characterizing data patterns with core-periphery network modeling
- Temporal network pattern identification by community modelling
- Time series pattern identification by hierarchical community detection
Informações sobre o DOI: 10.11606/T.55.2023.tde-13092023-143213 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
