| Texto completo | |
| Autor(es): |
Golo, Marcos Paulo Silva
;
de Medeiros Jr, Jose Gilberto Barbosa de Medeiros
;
Silva, Diego Furtado
;
Marcacini, Ricardo Marcondes
Número total de Autores: 4
|
| Tipo de documento: | Artigo Científico |
| Fonte: | INFORMATION SCIENCES; v. 708, p. 17-pg., 2025-03-06. |
| Resumo | |
One-class learning (OCL) for graph neural networks (GNNs) comprises a set of techniques applied when real-world problems are modeled through graphs and have a single class of interest. These methods may employ a two-step strategy: first representing the graph and then classifying its nodes. End-to-end methods learn the node representations while classifying the nodes in OCL process. We highlight three main gaps in this literature: (i) non-customized representations for OCL; (ii) the lack of constraints on hypersphere learning; and (iii) the lack of interpretability. This paper presents One-cLass Graph Autoencoder (OLGA), a new OCL for GNN approach. OLGA is an end-to-end method that learns low-dimensional representations for nodes while encapsulating interest nodes through a proposed and new hypersphere loss function. Furthermore, OLGA combines this new hypersphere loss with the graph autoencoder reconstruction loss to improve model learning. The reconstruction loss is a constraint to the sole use of the hypersphere loss that can bias the model to encapsulate all nodes. Finally, our low-dimensional representation makes the OLGA interpretable since we can visualize the representation learning at each epoch. OLGA achieved state-of-the-art results and outperformed six other methods with statistical significance while maintaining the learning process interpretability with its low-dimensional representations. (AU) | |
| Processo FAPESP: | 22/09091-8 - Criminalidade, insegurança e legitimidade: uma abordagem transdisciplinar |
| Beneficiário: | Luis Gustavo Nonato |
| Modalidade de apoio: | Auxílio à Pesquisa - Programa eScience e Data Science - Temático |
| Processo FAPESP: | 23/10100-4 - Desenvolvimento de Grandes Modelos de Língua para Aplicações no Domínio Jurídico |
| Beneficiário: | Ricardo Marcondes Marcacini |
| Modalidade de apoio: | Auxílio à Pesquisa - Pesquisa em Políticas Públicas |
| Processo FAPESP: | 23/02680-0 - Transferência de Aprendizado para Lidar com Heterogeneidade entre Dispositivos |
| Beneficiário: | José Gilberto Barbosa de Medeiros Júnior |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |
| Processo FAPESP: | 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria |
| Beneficiário: | Francisco Louzada Neto |
| Modalidade de apoio: | Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs |
| Processo FAPESP: | 19/07665-4 - Centro de Inteligência Artificial |
| Beneficiário: | Fabio Gagliardi Cozman |
| Modalidade de apoio: | Auxílio à Pesquisa - Programa eScience e Data Science - Centros de Pesquisa Aplicada |