Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/361162
Type: TESE DIGITAL
Degree Level: Doutorado
Title: Learning in non-euclidean domains : from graphs to generative modeling = Aprendizado em domínios não-euclidianos : de grafos à modelagem generativa
Title Alternative: Aprendizado em domínios não-euclidianos : de grafos à modelagem generativa
Author: Fadel, Samuel Gomes, 1990-
Advisor: Torres, Ricardo da Silva, 1977-
Abstract: Resumo: Esta tese lida com problemas de aprendizado de máquina nos quais os dados necessitam de uma representação não-Euclidiana, como grafos. Nossas contribuições seguem três direções principais, nas quais nós: introduzimos uma visão baseada em grafos a problemas que não são centrados em grafos, expandimos problemas de grafos para um cenário temporal e tiramos vantagem de princípios inspirados por problemas de grafos, e.g., variedades de Riemann de curvatura constante como hiperesferas, para aplicá-los em novos contextos. Mais especificamente, introduzimos uma abordagem para a tarefa de recuperação de conteúdo com representações multimodais, mostrando como redes neurais de grafos (GNNs) podem ser usadas como uma solução promissora para tirar proveito de informações que não estão explicitamente organizadas em grafos. Em seguida, encaramos o problema de recomendação, com novas representações para mudanças temporais em arestas de grafo e um modelo baseado em GNN, mostrando que utilizar informação temporal leva a resultados melhores comparados às abordagens anteriores. Mais ainda, utilizamos fluxos normalizantes (normalizing flows) para construir modelos de movimentação que utilizam informação contextual para caracterizar movimentos em futebol com precisão. Mostramos então como incorporar uma GNN que utiliza informações sobre outros jogadores, produzindo modelos ainda mais realísticos. Por fim, investigamos problemas com interpolações em fluxos normalizantes, os quais atacamos por meio de uma representação hiperesférica, resultando em interpolações de melhor qualidade. No geral, em nossos experimentos, obtemos desempenho superior às abordagens alternativas. Estes mostram como representações baseadas em grafos provêem meios úteis para codificar informações, sejam estas adicionais de contexto extra ou que representam interações ao longo do tempo envolvendo milhares de entidades.

Abstract: This thesis deals with machine learning problems where data requires a representation in non-Euclidean domains, such as graphs. Our contributions follow three main directions, in which we: introduce a graph-based view to problems that are not graph-centric, expand graph problems to a temporal setting, and take advantage of principles inspired by graph problems, e.g., constant-curvature Riemannian manifolds, such as hyperspheres, to employ them in novel ways. More specifically, we introduce an approach for retrieving content with multimodal representations, showing how graph neural networks (GNNs) can be used as a promising solution to leverage information not explicitly organized as a graph. Next, we address the recommendation problem, introducing representations for temporal changes in graph edges and a GNN-based model, showing that leveraging temporal information outperforms prior approaches. Furthermore, we use a normalizing flow to build movement models that can use contextual information to precisely characterize movements in soccer. We then show how a GNN can be used to leverage information about other players, producing even more realistic movement models. Lastly, we investigate interpolation issues in normalizing flows, which we address by using a hyperspherical representation, leading to interpolations of higher quality. In our experiments, the methods here proposed obtain better performance over alternative approaches, showing that graph representations provide useful means for encoding information, either about context or about how interactions involving thousands of entities unfold over time.
Subject: Aprendizado de máquina
Redes neurais (Computação)
Representações dos grafos
Análise de trajetória
Aprendizagem não-supervisionada
Language: Multilíngua
Editor: [s.n.]
Citation: FADEL, Samuel Gomes. Learning in non-euclidean domains : from graphs to generative modeling = Aprendizado em domínios não-euclidianos : de grafos à modelagem generativa. 2021. 1 recurso online ( 110 p.) Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP.
Date Issue: 2021
Appears in Collections:IC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Fadel_SamuelGomes_D .pdf8.61 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.