Filtros espectrais robustos para aprendizado semissupervisionado

• Ano de defesa: 2022
• Autor(a) principal: Aquino Afonso, Bruno Klaus de [UNIFESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de São Paulo
• Palavras-chave em Português: Aprendizado semissupervisionado; Redes neurais convolutivas de grafos; Generalização em grafos; Redes de Computadores; Teoria de filas; Semi-supervised learning; Graph convolutional label network; Label propagation; Graph generalization; Computer networks; Queuring theory; Não se aplica
• Link de acesso: https://hdl.handle.net/11600/73125

Os avanços nas tecnologias de processamento de Big Data tornam comuns os grandes conjuntos de dados em diferentes formatos. Grafos são uma ferramenta excelente para representá-los, pela sua capacidade de codificar entidades e relações. Redes neurais convolucionais profundas de grafos trabalham diretamente com o espectro do grafo. Consequentemente, são menos propensas ao sobreajuste, com uma ressalva: não podem usar rótulos como parte de sua entrada, ou aprenderão um mapeamento trivial. Mostramos que muitos métodos de propagação de rótulos têm um problema semelhante. Em outras palavras, eles introduzem uma regra em que uma instância usa seu próprio rótulo, uma regra que não se aplica a dados novos. Removendo este fenômeno de auto-influência, obtemos um critério leave-one-out (LOO). Este trabalho é principalmente voltado para o estudo deste critério e para como calculá-lo ou aproximá-lo de forma eficiente. Apresentamos métodos para evitar uma complexidade de tempo e espaço proibitiva. Por exemplo, a inversão completa da matriz de propagação pode ser evitada por meio de um método iterativo que só usa colunas associadas a dados rotulados. Alternativamente, podemos aproximar com uma base restrita de autovetores do Laplaciano do grafo. Em seguida, aplicamos a expansão de Chebyshev para estender nossos métodos a redes convolutivas de grafos, e os resultados ilustram sua eficácia. Por último, abordamos um problema específico de redes de computadores, em que grafos criados em um testbed de um fabricante devem generalizar para grafos do mundo real com caminhos mais longos e capacidades de link maiores. Desenvolvemos um modelo que consegue alcançar a generalização ao ajustar um modelo baseado em teoria de filas. Isso foi o suficiente para colocá-lo em primeiro lugar no desafio de Graph Neural Networking de 2021 e em segundo lugar no desafio de IA / ML do 5G promovido pela União Internacional de Telecomunicações das Nações Unidas com mais de 1800 participantes de 82 países.