Texto completo
| |
| Autor(es): |
Samuel Gomes Fadel
Número total de Autores: 1
|
| Tipo de documento: | Tese de Doutorado |
| Imprenta: | Campinas, SP. |
| Instituição: | Universidade Estadual de Campinas (UNICAMP). Instituto de Computação |
| Data de defesa: | 2021-03-12 |
| Membros da banca: |
Ricardo da Silva Torres;
Agma Juci Machado Traina;
Moacir Antonelli Ponti;
Sandra Eliza Fontes de Avila;
Hélio Pedrini
|
| Orientador: | Ricardo da Silva Torres |
| Resumo | |
Esta tese lida com problemas de aprendizado de máquina nos quais os dados necessitam de uma representação não-Euclidiana, como grafos. Nossas contribuições seguem três direções principais, nas quais nós: introduzimos uma visão baseada em grafos a problemas que não são centrados em grafos, expandimos problemas de grafos para um cenário temporal e tiramos vantagem de princípios inspirados por problemas de grafos, e.g., variedades de Riemann de curvatura constante como hiperesferas, para aplicá-los em novos contextos. Mais especificamente, introduzimos uma abordagem para a tarefa de recuperação de conteúdo com representações multimodais, mostrando como redes neurais de grafos (GNNs) podem ser usadas como uma solução promissora para tirar proveito de informações que não estão explicitamente organizadas em grafos. Em seguida, encaramos o problema de recomendação, com novas representações para mudanças temporais em arestas de grafo e um modelo baseado em GNN, mostrando que utilizar informação temporal leva a resultados melhores comparados às abordagens anteriores. Mais ainda, utilizamos fluxos normalizantes (normalizing flows) para construir modelos de movimentação que utilizam informação contextual para caracterizar movimentos em futebol com precisão. Mostramos então como incorporar uma GNN que utiliza informações sobre outros jogadores, produzindo modelos ainda mais realísticos. Por fim, investigamos problemas com interpolações em fluxos normalizantes, os quais atacamos por meio de uma representação hiperesférica, resultando em interpolações de melhor qualidade. No geral, em nossos experimentos, obtemos desempenho superior às abordagens alternativas. Estes mostram como representações baseadas em grafos provêem meios úteis para codificar informações, sejam estas adicionais de contexto extra ou que representam interações ao longo do tempo envolvendo milhares de entidades. (AU) | |
| Processo FAPESP: | 17/24005-2 - Inferência relacional temporal com redes neurais |
| Beneficiário: | Samuel Gomes Fadel |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado |