Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/37682| Título: | Análise de redes neurais baseadas em grafos |
| Autor(es): | João Marcelo, Tozato |
| Orientador(es): | Saito, Priscila Tiemi Maeda |
| Palavras-chave: | Aprendizado do computador Redes Neurais (Computação) Teoria dos grafos Machine learning Neural networks (Computer science) Graph theory |
| Data do documento: | 28-Jul-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | TOZATO, João Marcelo. Análise de redes neurais baseadas em grafos. 2021. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2021. |
| Resumo: | O sucesso recente de aplicações e o vasto desenvolvimento na área de aprendizado profundo têm obtido reconhecimento em numerosas tarefas de aprendizado de máquina, tal como em visão computacional e processamento de linguagem natural. Entretanto, diversas tarefas de aprendizado envolvem dados que não podem ser representados no domínio euclidiano comum e que possuem relações estruturais complexas, como é o caso dos grafos. Tendo em vista a complexidade em adaptar estratégias tradicionais de aprendizado profundo em grafos, foram introduzidas as Redes Neurais baseadas em Grafos. Tais redes são modelos de aprendizado capazes de extrair representações destes dados não-euclidianos, possibilitando, assim, a realização de tarefas de aprendizado neste tipo de estrutura. Recentemente, diferentes estudos vêm obtendo o estado da arte nas mais diversas tarefas de classificação envolvendo grafos. Desta forma, o objetivo deste trabalho é realizar a análise de arquiteturas distintas de Redes Neurais baseadas em Grafos nas tarefas de classificação de vértices, arestas e grafos em conjuntos de dados representativos de redes sociais, redes biológicas e redes de citação. |
| Abstract: | The recent success of applications and the wide development in the deep learning field has obtained recognition in numerous machine learning tasks, such as computer vision and natural language processing. However, multiple learning tasks involve data that can't be represented in the euclidian domain and have complex structural relationships, such as graphs. Considering the complexity of adapting traditional deep learning techniques on graphs, Graph Neural Networks were introduced. Such networks are learning models capable of extracting representations of non-euclidian data, allowing the execution of learning tasks in this type of structure. Recently, different studies have achieved the state of the art in a wide variety of graph classification tasks. Therefore, the present work analyzes distinct architectures of Graph Neural Networks in the node, edge and graph classification tasks with representative datasets of social, biological and citation networks. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/37682 |
| Aparece nas coleções: | CP - Engenharia da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| analiseredesneuraisgrafos.pdf | 1,41 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
