Graph Neural Networks contributions and advancements (2024)
- Authors:
- Autor USP: GONÇALVES, THALES DE OLIVEIRA - ICMC
- Unidade: ICMC
- Sigla do Departamento: SME
- DOI: 10.11606/T.55.2024.tde-16072024-103201
- Subjects: REDES NEURAIS; APRENDIZADO COMPUTACIONAL; GRAFOS ALEATÓRIOS
- Keywords: Dynamic graphs; Extreme learning machine; Grafos dinâmicos; Graph neural networks; Máquina de aprendizado extremo; Redes neurais em grafos
- Agências de fomento:
- Language: Inglês
- Abstract: A aplicação de Redes Neurais no contexto de grafos é um campo de crescente interesse nos últimos anos. Uma das principais razões para isso é o grande número de aplicações do mundo real que dão origem à produção de dados tendo este objeto matemático como estrutura, tais como sistemas de recomendação em redes sociais, moléculas em química, planeamento urbano, análise de esportes, etc. No entanto, além dos desafios comuns envolvidos no projeto de uma solução clássica de Machine Learning para lidar com problemas do mundo real (e.g. overfitting, desequilíbrio de classes, esparsidade, busca de hiperparâmetros), existem alguns obstáculos adicionais que precisam ser tratados ao lidar com problemas de Machine Learning em grafos. Nesta tese, apresentamos as contribuições propostas em relação a uma série de desafios recentes de Redes Neurais em Grafos. Mais especificamente, primeiro propomos Extreme Learning Machine to Graph Convolutional Networks (ELM-GCN), uma extensão da teoria de ELM para ser aplicada a GCNs, um modelo de Rede Neural projetado para operar em grafos. Esta extensão dá origem a um algoritmo de treinamento analítico com bases teóricas sólidas e que é capaz de atingir uma precisão semelhante aos métodos concorrentes, mas reduzindo consideravelmente o tempo de treinamento. Posteriormente, propomos uma nova arquitetura de GNN para ser aplicada em grafos dinâmicos, i.e. grafos nos quais seus elementos (nós, arestas e vetores de características) mudam ao longo do tempo.Essa formulação deu origem ao Graph Neural Networks for Valuing Soccer Players (GNN-VSP), uma metodologia de avaliação de atletas de futebol baseada em um algoritmo de explicabilidade capaz de considerar a interação da equipe. Por fim, mostramos as linhas futuras que o autor pretende seguir em sua carreira de pesquisador.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 17.05.2024
- 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
GONÇALVES, Thales. Graph Neural Networks contributions and advancements. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-16072024-103201/. Acesso em: 28 dez. 2025. -
APA
Gonçalves, T. (2024). Graph Neural Networks contributions and advancements (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-16072024-103201/ -
NLM
Gonçalves T. Graph Neural Networks contributions and advancements [Internet]. 2024 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-16072024-103201/ -
Vancouver
Gonçalves T. Graph Neural Networks contributions and advancements [Internet]. 2024 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-16072024-103201/
Informações sobre o DOI: 10.11606/T.55.2024.tde-16072024-103201 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
