Embedding de Grafos para Preservação de Comunidades

• Processo: 24/21122-1
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de fevereiro de 2025
• Data de Término da vigência: 31 de dezembro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Francisco Aparecido Rodrigues
• Beneficiário: Pedro Augusto Ribeiro Gomes
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Redes complexas Inteligência artificial
• Palavra(s)-Chave do Pesquisador: análise de rede | Aprendizado de Máquina | detecção de comunidades | Redes Complexas | Representação de Grafos | Inteligência Artificial

Resumo

Os embeddings de grafos surgiram como ferramentas poderosas para representar redes complexas em espaços vetoriais de baixa dimensão, preservando propriedades topológicas essenciais. Este projeto se concentra em avaliar e comparar vários métodos de embedding de grafos em sua capacidade de manter estruturas de comunidade - subconjuntos de nós com maior conectividade interna do que externa. Embora métodos populares como node2vec e DeepWalk sejam conhecidos por capturar proximidades locais e globais de forma eficaz, esta pesquisa também incorpora outras abordagens notáveis - como LINE, GraRep e técnicas baseadas em aprendizado profundo, como Graph Convolutional Networks (GCN) e GraphSAGE. O objetivo é fornecer uma análise abrangente de como esses embeddings funcionam sob diferentes condições de rede, incluindo vários níveis de escassez e heterogeneidade de grau, com foco específico na preservação de estruturas de comunidade. Ao alavancar benchmarks sintéticos como o Stochastic Block Model (SBM) e redes inspiradas no mundo real, o projeto visa identificar os pontos fortes e as limitações de cada método. Este trabalho pretende contribuir com insights práticos para selecionar técnicas de incorporação apropriadas e estabelecer as bases para o desenvolvimento de métodos híbridos que melhorem a detecção da comunidade e a fidelidade da representação em redes complexas.