Inferência relacional temporal com redes neurais

• Processo: 17/24005-2
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de abril de 2018
• Data de Término da vigência: 31 de outubro de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Ricardo da Silva Torres
• Beneficiário: Samuel Gomes Fadel
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 16/50250-1 - O segredo de jogar futebol: Brasil versus Holanda, AP.TEM
• Bolsa(s) vinculada(s): 18/19350-5 - Redes neurais para inferência relacional temporal na análise de futebol, BE.EP.DR
• Assunto(s): Aprendizado computacional Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Grafos Temporais | Redes neurais | Aprendizado de máquina

Resumo

O estudo de relações entre objetos e suas propriedades é comum em várias áreas da ciência.Estudos em distúrbios no desenvolvimento psicológico, análise de expressão gênica e propagação de rumores em redes sociais são alguns dos vários exemplos onde a análise de dados de grafos são fundamentais para compreender os fenômenos em questão.Entretanto, considerando o número de conexões e entidades envolvidos na maioria destes fenômenos, extrair manualmente essas informações e realizar inferência sobre elas se tornam tarefas desafiadoras.Recentemente, redes neurais artificiais têm sido uma peça central de vários métodos de aprendizado de máquina, desenvolvidas justamente para lidar com grandes volumes de dados.Em particular, há um crescente interesse em aplicar redes neurais em domínios de grafos.Um fator importante, porém, não é abordado por estes: a maioria dos grandes grafos do mundo real evoluem com o tempo.Neste projeto, nossos objetivos contemplam a identificação de fenômenos relevantes que podem ser representados como grafos dinâmicos e, por sua vez, projetar arquiteturas de redes neurais que possam ser utilizadas para resolver problemas envolvendo tais fenômenos.Adotamos uma metodologia de três etapas para isso.Primeiro, estabeleceremos uma base de comparações entre os métodos existentes para domínios de grafos, visto que a maioria destes não foram comparados entre si anteriormente.Aproveitamos esta etapa para destacar quais destes têm, potencialmente, flexibilidade para serem trazidos aos domínios de grafos dinâmicos.Na segunda etapa, ampliaremos a base de comparações para domínios de grafos dinâmicos.Já na terceira etapa, focamos em domínios tangíveis de aprendizado.Por exemplo, esperamos aplicar os métodos desenvolvidos para a análise de partidas de futebol.A motivação para isso é podermos trazer tarefas de aprendizado em grafos dinâmicos para este domínio representando jogadores como nós (entidades) e suas interações como arestas (relacionamentos).Como o esporte é um complexo sistema de interações, esperamos que esta modelagem traga novos problemas desafiadores.Como resultado deste projeto, esperamos redes neurais capazes de aprender em domínios de grafos dinâmicos.Isto trará contribuições não apenas para a área de aprendizado de máquina, mas também outras áreas da ciência onde podemos representar um fenômeno com grafos dinâmicos. (AU)

Publicações científicas

(4)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

FADEL, SAMUEL G.; MAIR, SEBASTIAN; TORRES, RICARDO DA S.; BREFELD, ULF; OLIVER, N; PEREZCRUZ, F; KRAMER, S; READ, J; LOZANO, JA. Principled Interpolation in Normalizing Flows. MACHINE LEARNING AND KNOWLEDGE DISCOVERY IN DATABASES, ECML PKDD 2021: RESEARCH TRACK, PT II, v. 12976, p. 16-pg., 2021-01-01. (17/24005-2, 18/19350-5)

FADEL, SAMUEL G.; TORRES, RICARDO DA S.. Neural relational inference for disaster multimedia retrieval. MULTIMEDIA TOOLS AND APPLICATIONS, v. 79, n. 35-36, JUL 2020. (14/50715-9, 16/50250-1, 17/24005-2, 17/20945-0, 14/12236-1, 13/50169-1, 13/50155-0, 15/24494-8)

FADEL, SAMUEL G.; MAIR, SEBASTIAN; DA SILVA TORRES, RICARDO; BREFELD, ULF. Contextual movement models based on normalizing flows. AStA-Advances in Statistical Analysis, AUG 2021. (17/24005-2, 16/50250-1, 15/24494-8, 17/20945-0, 18/19350-5, 19/17729-0)

WERNECK, RAFAEL DE O.; DOURADO, ICARO C.; FADEL, SAMUEL G.; TABBONE, SALVATORE; TORRES, RICARDO DA S.; IEEE. GRAPH-BASED EARLY-FUSION FOR FLOOD DETECTION. 2018 25TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP), v. N/A, p. 5-pg., 2018-01-01. (13/50169-1, 13/50155-0, 14/12236-1, 16/18429-1, 14/50715-9, 17/16453-5, 17/24005-2)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

FADEL, Samuel Gomes. Learning in non-euclidean domains: from graphs to generative modeling = Aprendizado em domínios não-euclidianos : de grafos à modelagem generativa. 2021. Tese de Doutorado - Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Campinas, SP.