Graph Reduction for Representation Learning (2025)
- Authors:
- Autor USP: SANTOS, NÍCOLAS ROQUE DOS - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/T.55.2025.tde-15012026-144922
- Subjects: REDES NEURAIS; TEORIA DOS GRAFOS; MÍDIAS SOCIAIS; ANÁLISE DE TEXTO
- Keywords: Aprendizado de representação; Coarsening de grafos; Condensação de grafos; Decomposição de tensores; GNN; GNN; Graph coarsening; Graph condensation; Graph neural network; Graph reduction; Representation learning; Tensor decomposition; Text classification
- Agências de fomento:
- Language: Inglês
- Abstract: Redes Neurais para Grafos (GNNs) são uma ferramenta importante para aprendizado de representações em grafos, como redes sociais, redes de citações e moléculas. Elas capturam padrões estruturais complexos por meio do mecanismo de message passing, no qual os nós agregam iterativamente informações de seus vizinhos para atualizar suas representações. As GNNs alcançaram desempenhos notáveis em aplicações como detecção de notícias falsas, descoberta de fármacos, classificação de textos, recomendação de conteúdo e previsão de tráfego. Apesar desse sucesso, escalá-las para grafos de grande escala continua sendo um desafio devido aos altos custos computacionais envolvidos. Técnicas de redução de grafos, como coarsening e condensação, têm se mostrado ferramentas promissoras para abordar esses desafios. Especificamente, elas simplificam grafos enquanto preservam informações estruturais essenciais e mantêm o desempenho dos modelos. Nesse contexto, esta tese concentra-se no desenvolvimento de novos métodos escaláveis para aprendizado de representações em grafos, com foco na classificação de textos e em técnicas de redução de grafos. Para isso, foram realizados três projetos de pesquisa, cujas principais contribuições podem ser resumidas da seguinte forma: i) um método baseado em GNNs para classificação de textos que utiliza projeções one-mode de grafos bipartidos; ii) um estudo aprofundado sobre o impacto do coarsening de grafos bipartidos no desempenho, uso de memória e tempo detreinamento de GNNs em classificação de textos; iii) um modelo para classificação de textos via GNNs que utiliza a etapa de coarsening da abordagem de otimização multinível para reduzir grafos bipartidos hierarquicamente; iv) um algoritmo semi-supervisionado de coarsening para selecionar nós de documentos para serem fundidos em supernós; e v) uma técnica para condensação de grafos multi-view usando decomposição de tensores, permitindo altas taxas de redução, como 99,9%.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
- Data da defesa: 13.01.2025
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
SANTOS, Nícolas Roque dos. Graph Reduction for Representation Learning. 2025. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-15012026-144922/. Acesso em: 13 fev. 2026. -
APA
Santos, N. R. dos. (2025). Graph Reduction for Representation Learning (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-15012026-144922/ -
NLM
Santos NR dos. Graph Reduction for Representation Learning [Internet]. 2025 ;[citado 2026 fev. 13 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-15012026-144922/ -
Vancouver
Santos NR dos. Graph Reduction for Representation Learning [Internet]. 2025 ;[citado 2026 fev. 13 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-15012026-144922/ - Análise e classificação de rumores em redes sociais
- Semi-supervised coarsening of bipartite graphs for text classification via graph neural network
- Diretrizes para melhorar a imparcialidade de classificadores
- One-mode projection of bipartite graphs for text classification using graph neural networks
- Bipartite graph coarsening for text classification using graph neural networks
- Item response theory in sample reweighting to build fairer classifiers
- A DIF-driven threshold tuning method for improving group fairness
- Unfairness in machine learning for web systems applications
- Data stratification analysis on the propagation of discriminatory effects in binary classification
- Influence of data stratification criteria on fairer classifications
Informações sobre o DOI: 10.11606/T.55.2025.tde-15012026-144922 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
