dc.contributor.advisor | González Díaz, Rocío | es |
dc.contributor.advisor | Paluzo Hidalgo, Eduardo | es |
dc.creator | Carmona López, Gonzalo | es |
dc.date.accessioned | 2023-02-09T11:46:53Z | |
dc.date.available | 2023-02-09T11:46:53Z | |
dc.date.issued | 2022-06-01 | |
dc.identifier.citation | Carmona López, G. (2022). Predicción de Aristas para Data Augmentation en Problemas de Clasificación de Nodos con Graph Neural Networks. (Trabajo Fin de Máster Inédito). Universidad de Sevilla, Sevilla. | |
dc.identifier.uri | https://hdl.handle.net/11441/142573 | |
dc.description.abstract | En este trabajo, repasamos detalladamente el planteamiento de un problema
de aprendizaje supervisado en general, sobre datos en forma de grafo en particular, y la construcción de la arquitectura de Graph Neural Networks para la
resolución del mismo. En concreto, nos centramos en SEAL, una metodología
basada en Graph Neural Networks para predicción de aristas. Además, explicaremos el método GAug-M para data augmentation en problemas de clasificación
de nodos, que consiste en añadir o eliminar aristas en base a las probabilidades
obtenidas de un modelo predictor de aristas, para enriquecer la información del
grafo y aumentar el rendimiento del modelo de clasificación.
En este TFM se propone un nuevo uso de la metodología SEAL como modelo
predictor de aristas junto con GAug-M para realizar data augmentation en un
grafo. Evaluaremos el rendimiento de usar esta combinación, y lo compararemos
con el rendimiento obtenido en [37] con otro modelo predictor de aristas, en los
mismos datasets y con el mismo modelo de clasificación de nodos. | es |
dc.description.abstract | In this work, we explain in detail the formulation of a supervised learning
problem in general, over graph data in particular, and the arquitecture of Graph
Neural Networks for solving them. In particular, we focus on SEAL, a Graph
Neural Network framework for predicting the existence of a link between nodes. We also talk about GAug-M, a method for data augmentation in node
classification problems, which consists in adding or removing links based in precalculated probabilities, in order to improve the graph information, and also
improve the performance of the node classification model. In this work, we propose a new use of SEAL as the link predictor, together with GAug-M for
performing data augmentation in a graph. We evaluate the performance of this
combination, and we compare it with the performance obtained in [37] with a
different link prediction model, in the same datasets and with the same model
for node classification.
Moreover, we explain how to use this arquitecture for performing data augmentation on a graph, whose nodes we want to classify, using the GAug-M
method, explained and tested in [37] with other link prediction arquitectures
different from SEAL. . We evaluate the performance when using SEAL as the
link predictor, and we compare it with the efficiency obtained in [37] by using
other predictor models, in the same datasets and with the same node classification model. | es |
dc.format | application/pdf | es |
dc.format.extent | 84 p. | es |
dc.language.iso | spa | es |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Predicción de Aristas para Data Augmentation en Problemas de Clasificación de Nodos con Graph Neural Networks | es |
dc.type | info:eu-repo/semantics/masterThesis | es |
dc.type.version | info:eu-repo/semantics/publishedVersion | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es |
dc.contributor.affiliation | Universidad de Sevilla. Departamento de Matemática Aplicada I (ETSII) | es |
dc.description.degree | Universidad de Sevilla. Máster Universitario en Matemáticas | es |
dc.publication.endPage | 82 | es |