Texto completo
| |
| Autor(es): |
Thales de Oliveira Gonçalves
Número total de Autores: 1
|
| Tipo de documento: | Tese de Doutorado |
| Imprenta: | São Carlos. |
| Instituição: | Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) |
| Data de defesa: | 2024-05-17 |
| Membros da banca: |
Luis Gustavo Nonato;
Fabiano Petronetto do Carmo;
Jorge Luis Poco Medina;
Moacir Antonelli Ponti
|
| Orientador: | Luis Gustavo Nonato |
| Resumo | |
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. (AU) | |
| Processo FAPESP: | 18/24516-0 - Processamento de sinais em grafos e deep learning para predição de crimes na cidade de São Paulo |
| Beneficiário: | Thales de Oliveira Gonçalves |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado |