Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/3901| Una propuesta de agregación de nodos basada en la integral discreta de Choquet para la clasificación de grafos utilizando RNGs A proposal for node aggregation based on Choquet discrete integral for graph classification using GNNs | |
| Hugo Daniel Sarmiento Rodríguez | |
| Carlos Alberto Brizuela Rodríguez | |
| Acceso Abierto | |
| Atribución | |
| Clasificación de grafos, redes neuronales, método de agregación, integral discreta de Choquet, aprendizaje profundo Graph classification, neural networks, aggregation method, Choquet discrete integral, deep learning | |
| Los grafos son estructuras matemáticas que se utilizan para modelar redes sociales, sistemas de transporte, sistemas biológicos, fármacos, entre otros. Una tarea relevante en estas áreas es poder, por ejemplo, discriminar un fármaco tóxico de otros que no lo son, distinguir un sistema biológico de otro, un grupo de red social de otro, etcétera. Esta tarea de clasificación se extiende de manera natural a un gran número de situaciones del mundo real que pueden ser modelados como grafos. Las redes neuronales en grafos se están consolidando como la primera opción para estos retos de clasificación. Un elemento crucial en la construcción de clasificadores basados en redes neuronales tiene que ver con la forma en la que se agrega la información contenida en cada nodo del grafo. En este contexto, los modelos de redes neuronales en grafos comúnmente adoptan el promedio como mecanismo de agregación. Este enfoque, aunque combina la información de los nodos, no toma en consideración la posible sinergia que puede existir entre las características de los nodos. Además, carece de un sistema que establezca una jerarquía de prioridad durante el proceso de agregación. En el presente trabajo se propone un nuevo método de agregación basado en la integral discreta de Choquet, el cual permite tener en cuenta la sinergia que podría existir entre las características de los nodos al momento de combinar la información y generar una jerarquía de estos. El algoritmo y el código para su implementación práctica se desarrollaron en PyTorch. Para evaluar el desempeño de este nuevo método de agregación se comparó contra el promedio, una forma de agregación ampliamente usada. Para esto se seleccionaron cinco conjuntos de casos de prueba y los modelos conocidos como GCN, GAT y GIN para comparar el rendimiento de ambos métodos. Los hallazgos sugieren que, si bien es posible integrar la integral discreta de Choquet en una red neuronal y facilitar el aprendizaje automático de los pesos en el método de agregación propuesto, no se observaron diferencias en los resultados en comparación con el uso del promedio como método de agregación. Graphs are mathematical structures used to model social networks, transport systems, biological systems, drugs, and more. A relevant task in these areas is, for example, to distinguish a toxic drug from those that are not, differentiate one biological system from another, one social network group from another, and so forth. This classification task naturally extends to a large number of real-world situations that can be modeled as graphs. Graph neural networks are emerging as the first choice for these classification challenges. A crucial element in building classifiers based on neural networks has to do with how the information contained in each node of the graph is aggregated. In this context, graph neural network models commonly adopt averaging as an aggregation mechanism. This approach, although combining the information from the nodes, does not take into account the potential synergy that may exist among the node features. Moreover, it lacks a system that establishes a hierarchy of priority during the aggregation process. This study proposes a new aggregation method based on the Choquet discrete integral, which allows taking into account the synergy that could exist among the node features when combining the information and generating a hierarchy of them. The algorithm and code for its practical implementation were developed in PyTorch. To evaluate the performance of this new aggregation method, it was compared against averaging. Five test case sets and known models such as GCN, GAT, and GIN were selected to compare the performance of both methods. The findings suggest that, while it is possible to integrate the Choquet discrete integral into a neural network and facilitate the automatic learning of the weights in the proposed aggregation method, no differences were observed in the results compared to using averaging as an aggregation method. | |
| CICESE | |
| 2023 | |
| Tesis de maestría | |
| Español | |
| Sarmiento Rodríguez, H.D. 2023. Una propuesta de agregación de nodos basada en la integral discreta de Choquet para la clasificación de grafos utilizando RNGs. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 113 pp. | |
| SISTEMAS DE INFORMACIÓN, DISEÑO Y COMPONENTES | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Hugo Daniel Sarmiento Rodríguez_03 julio 2023.pdf | Versión completa de la tesis | 2.17 MB | Adobe PDF | Visualizar/Abrir |