Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs

Las Redes Neuronales Convolucionales para Grafos (GCNs) han demostrado ser sumamente efectivas en la resolución de problemas relacionados con grafos, ya que no solo consideran las características individuales de los nodos, sino que también capturan la esencia topológica del grafo. No obstante, la es...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Parlanti, Tatiana S., Catania, Carlos Adrián, Moyano, Luis G.
Formato:	Objeto de conferencia
Lenguaje:	Español
Publicado:	2023
Materias:	Ciencias Informáticas Redes Complejas Redes Neuronales para Grafos Grafos Sintéticos
Acceso en línea:	http://sedici.unlp.edu.ar/handle/10915/164886
Aporte de:	SEDICI (UNLP) de Universidad Nacional de La Plata

id	I19-R120-10915-164886
record_format	dspace
spelling	I19-R120-10915-1648862024-04-16T20:02:57Z http://sedici.unlp.edu.ar/handle/10915/164886 Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs Parlanti, Tatiana S. Catania, Carlos Adrián Moyano, Luis G. 2023-10 2024 2024-04-16T14:53:49Z es Ciencias Informáticas Redes Complejas Redes Neuronales para Grafos Grafos Sintéticos Las Redes Neuronales Convolucionales para Grafos (GCNs) han demostrado ser sumamente efectivas en la resolución de problemas relacionados con grafos, ya que no solo consideran las características individuales de los nodos, sino que también capturan la esencia topológica del grafo. No obstante, la escasez de conjuntos de datos públicos representa un obstáculo en la evaluación y comparación objetiva de estas redes en diversos contextos. En este artículo, se abordan las limitaciones inherentes de las GCNs, enfocándose específicamente en el impacto de los aspectos topológicos y el desbalance de clases en la tarea de clasificación de nodos. A través del algoritmo Contextual Stochastic Block Model (CSBM) se generan distintos grafos sintéticos que varían en características y topologías. De esta manera, se realiza una exploración exhaustiva de las capacidades de las GCNs en distintos escenarios. Los hallazgos iniciales remarcan la importancia fundamental de las características de los nodos en la clasificación y ponen de manifiesto los desafíos que surgen al tratar con escenarios de desbalance de clases. Red de Universidades con Carreras en Informática Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 124-133
institution	Universidad Nacional de La Plata
institution_str	I-19
repository_str	R-120
collection	SEDICI (UNLP)
language	Español
topic	Ciencias Informáticas Redes Complejas Redes Neuronales para Grafos Grafos Sintéticos
spellingShingle	Ciencias Informáticas Redes Complejas Redes Neuronales para Grafos Grafos Sintéticos Parlanti, Tatiana S. Catania, Carlos Adrián Moyano, Luis G. Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
topic_facet	Ciencias Informáticas Redes Complejas Redes Neuronales para Grafos Grafos Sintéticos
description	Las Redes Neuronales Convolucionales para Grafos (GCNs) han demostrado ser sumamente efectivas en la resolución de problemas relacionados con grafos, ya que no solo consideran las características individuales de los nodos, sino que también capturan la esencia topológica del grafo. No obstante, la escasez de conjuntos de datos públicos representa un obstáculo en la evaluación y comparación objetiva de estas redes en diversos contextos. En este artículo, se abordan las limitaciones inherentes de las GCNs, enfocándose específicamente en el impacto de los aspectos topológicos y el desbalance de clases en la tarea de clasificación de nodos. A través del algoritmo Contextual Stochastic Block Model (CSBM) se generan distintos grafos sintéticos que varían en características y topologías. De esta manera, se realiza una exploración exhaustiva de las capacidades de las GCNs en distintos escenarios. Los hallazgos iniciales remarcan la importancia fundamental de las características de los nodos en la clasificación y ponen de manifiesto los desafíos que surgen al tratar con escenarios de desbalance de clases.
format	Objeto de conferencia Objeto de conferencia
author	Parlanti, Tatiana S. Catania, Carlos Adrián Moyano, Luis G.
author_facet	Parlanti, Tatiana S. Catania, Carlos Adrián Moyano, Luis G.
author_sort	Parlanti, Tatiana S.
title	Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
title_short	Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
title_full	Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
title_fullStr	Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
title_full_unstemmed	Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
title_sort	impacto de factores topológicos y de desbalance en la clasificación de nodos con gcns
publishDate	2023
url	http://sedici.unlp.edu.ar/handle/10915/164886
work_keys_str_mv	AT parlantitatianas impactodefactorestopologicosydedesbalanceenlaclasificaciondenodoscongcns AT cataniacarlosadrian impactodefactorestopologicosydedesbalanceenlaclasificaciondenodoscongcns AT moyanoluisg impactodefactorestopologicosydedesbalanceenlaclasificaciondenodoscongcns
_version_	1807222939544715264

Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs

Ejemplares similares