Mineração de redes complexas k-partidas

• Ano de defesa: 2022
• Autor(a) principal: Góes, Fabiana Rodrigues de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Aprendizado de representação; k-partite networks; Machine learning; Propagação em grafos; Propagation in graphs; Redes k-partidas; Representation learning
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01032023-083454/

Nos dias atuais, há uma grande quantidade de dados sendo produzida e disponibilizada diariamente. Como consequência, a organização e extração de informações úteis de forma manual a partir destes dados exige um grande esforço de especialistas. Deste modo, métodos computacionais de aprendizado de máquina e mineração de dados têm ganhado destaque, pois possibilitam a extração automática de conhecimento de grandes volumes de dados para resolver tarefas complexas em diversos contextos e aplicações. Em paralelo, Redes Complexas tornou-se uma importante área de pesquisa, principalmente, em razão da sua eficiência em modelar inúmeros sistemas da natureza e da sociedade. As redes k-partidas são casos particulares das redes heterogêneas, pois representam vértices de diferentes tipos que podem ser divididos em k conjuntos disjuntos. Esse tipo de rede é relevante para estudar diversos sistemas do mundo real, visto que modela os padrões intrínsecos das conexões entre diferentes tipos de objetos, o que não é naturalmente possível obter com as redes homogêneas. Os métodos de aprendizado de representação baseados em redes buscam aprender representações numéricas compactas que conservem as características intrínsecas e capturem informações latentes dos relacionamentos entre os vértices das redes. Técnicas do aprendizado de máquina mostram que diferentes visões de dados tendem a contribuir entre si, favorecendo o aprendizado. Pode-se, portanto, assumir uma rede k-partida como um conjunto de diferentes visões bipartidas, relacionadas entre si, que possibilitam a troca de informações. Assim, esta tese propõe abordagens baseadas na transferência de informações entre diferentes camadas de redes k-partidas, utilizando como base um método de propagação em redes bipartidas, para problemas de aprendizado não supervisionado de representação. A fim de demonstrar a importância da proposta, diferentes abordagens foram desenvolvidas para contextos reais que possuem dados que assumem uma estrutura k-partida, como recomendação em sistemas colaborativos de marcação e predição de associação entre lncRNAs e doenças. As análises experimentais mostram resultados promissores nas aplicações abordadas e fornecem indícios para a elaboração de trabalhos futuros. Sendo assim, os achados do trabalho poderão apoiar o desenvolvimento de novos métodos de aprendizado em redes k-partidas e novas abordagens para diversos tipos de dados e aplicações.