[pt] APRENDIZAGEM EM GRAFOS VIA MEDIDAS DE DIVERGÊNCIA GENERALIZADAS

[en] LEARNING ON GRAPHS VIA GENERALIZED DIVERGENCE MEASURES

[pt] KLEYTON VIEIRA SALES DA COSTA

[pt] AUTOENCODERS VARIACIONAIS

[pt] GENERALIZACAO PARA MEDIDAS DE DIVERGENCIA

[pt] INFERENCIA APROXIMADA

[pt] APRENDIZADO NAO SUPERVISIONADO EM GRAFOS

[en] VARIATIONAL AUTOENCODERS

[en] GENERALIZED DIVERGENCE MEASURE

[en] APPROXIMATED INFERENCE

[en] UNSUPERVISED LEARNING ON GRAPHS

[pt] Esta dissertação de mestrado investiga a efetividade de generalizações de medidas de informação para aprendizado em grafos. Para delimitar o escopo de pesquisa, a função de custo do variational graph autoeconders proposto por Kipf and Welling (2016b) foi modificada por meio da incorporação de generalizações de medidas de divergência. Dessa maneira, as principais contribuições deste trabalho são: (i) κappa-divergências - uma representação unificada para generalizações de medidas de divergência; (ii) duas novas famílias de divergências, delta e eta; e (iii) o desenvolvimento do generalized variational graph autoencoders (GGVA), um arcabouço de variational graph autoencoders baseado em κ-divergências. Os experimentos realizados em tarefas de aprendizado em grafos, utilizando cinco conjuntos de dados de redes de citação e um conjunto de dados para a rede de distribuição de energia elétrica do Brasil, indicam que o GGVA supera os modelos de referência em dois tipos de tarefas: classificação de nós e previsão de relacionamentos, considerando tempo de execução e precisão média. Os resultados qualitativos para os embeddings treinados do GGVA indicam uma capacidade satisfatória para distinguir classes.

[en] This master dissertation investigates the effectiveness of generalized information measures for learning on graphs (LoG). The variational graph autoencoders framework proposed by Kipf and Welling (2016b) was modified by generalized divergence measures as part of the learning objective to delimit the research scope. Then, the main contributions of this work are: (i) the kappa-divergences - a unified representation for generalized divergence measures; (ii) two novel families of divergences, delta and eta; and (iii) the generalized graph variational autoencoders (GGVA) - a variational graph autoencoders framework based on κ-divergences. The experiments on LoG, using five citation network datasets and a Brazilian power grid network dataset, indicate that GGVA outperforms baseline models in node classification and link prediction, considering time efficiency and average precision. The qualitative analysis of the learned embeddings of GGVA indicates a good enough capacity to distinguish classes.

HELIO CORTES VIEIRA LOPES

IVAN FABIO MOTA DE MENEZES

HELIO CORTES VIEIRA LOPES

MARCUS VINICIUS SOLEDADE POGGI DE ARAGAO

IVAN FABIO MOTA DE MENEZES

GEORGES MIRANDA SPYRIDES

BERNARDO ANDRADE LYRIO MODENESI

2025-07-09

2025-04-10

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=71470@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=71470@2

https://doi.org/10.17771/PUCRio.acad.71470