dc.contributor.author | Messias, Guilherme Henrique | |
dc.date.accessioned | 2024-08-08T13:06:41Z | |
dc.date.available | 2024-08-08T13:06:41Z | |
dc.date.issued | 2024-07-17 | |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/20326 | |
dc.description.abstract | Given the increasing volume of data generated by society, the task of classification has become even more complex, as some supervised classification algorithms require a substantial amount of labeled data to achieve good performance. On the other hand, even with the use of a few labeled examples from the positive class, relevant results can be obtained by semi-supervised learning algorithms based on Positive and Unlabeled Learning (PUL). These algorithms can be applied to a variety of data types, including relational data, which can be represented by graphs. In this context, machine learning algorithms based on neural networks show relevant results, particularly Graph Neural Networks (GNNs). Additionally, the recent research area of graph rewiring has shown a performance gain in GNNs. This work aims to explore the use of graph rewiring and graph neural networks to address PUL problems, under the hypothesis that these approaches are capable of learning a latent representation space biased by the positive data. The results of experiments conducted on a range of datasets show that the proposed approach is superior to classical and current algorithms in the literature, both in negative data extraction and in the PUL task. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/br/ | * |
dc.subject | Aprendizado positivo | por |
dc.subject | Grafos | por |
dc.subject | Redes neurais para grafos | por |
dc.title | Redes neurais em grafos para aprendizado positivo: uma abordagem utilizando reescrita | por |
dc.title.alternative | Graph neural networks for positive and unlabeled learning: a rewiring approach | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Valejo, Alan Demétrius Baria | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9546164790189830 | por |
dc.contributor.advisor-co1 | Iasulaitis, Sylvia | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/4226275371443693 | por |
dc.description.resumo | Diante do crescente volume de dados gerado pela sociedade, a realização de tarefas de classificação tem se tornado ainda mais complexa, uma vez que alguns algoritmos de classificação supervisionada demandam uma quantidade substancial de dados rotulados a fim de alcançar um bom desempenho. Por outro lado, mesmo com a utilização de poucos exemplos rotulados da classe positiva, resultados relevantes podem ser obtidos por algoritmos de aprendizagem semissupervisionada baseados em aprendizado positivo e não rotulado (PUL). Esses algoritmos podem ser aplicados a uma variedade de tipos de dados, incluindo dados relacionais, que podem ser representados por grafos. Nesse contexto, algoritmos de aprendizado de máquina baseados em redes neurais apresentam resultados relevantes, principalmente as Redes Neurais em Grafos (GNNs). Ainda, a recente área de pesquisa reescrita em grafos (do inglês \textit{Graph Rewiring}) tem mostrado um ganho de performance nas GNNs. Esse trabalho busca explorar a utilização de reescrita e redes neurais em grafos para tratar de problemas de PUL, sob a hipótese de que essas abordagens sejam capazes de aprender um espaço de representação latente enviesado pelos dados positivos. Os resultados em experimentos feitos com uma gama de conjuntos de dados mostram que a abordagem proposta é superior a algoritmos clássicos e atuais da literatura, tanto na extração de dados negativos quanto na tarefa de PUL. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.description.sponsorshipId | Processo nº 88887.695350/2022-00 CAPES | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/6610867846046455 | por |
dc.contributor.authororcid | https://orcid.org/0009-0000-6820-2205 | por |
dc.contributor.advisor1orcid | https://orcid.org/0000-0002-9046-9499 | por |
dc.contributor.advisor-co1orcid | https://orcid.org/0000-0002-3526-1003 | por |