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...
Guardado en:
| Autores principales: | , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2023
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/164886 |
| Aporte de: |
| Sumario: | 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. |
|---|