Apolo

Atividade

114343 - Introdução às Graph Neural Networks

Data da turma:

11/10/2023

Selecione um horário para exibir no calendário:

Descrição:

Resumo:
Redes Neurais Artificiais (RNAs) têm sido amplamente utilizadas para modelar dados produzidos por diferentes sistemas. A escolha da RNA mais apropriada depende de diversos fatores como, por exemplo, a relação existente entre os atributos que definem os dados. Para dados independentes, como tabelas, Perceptrons de múltiplas camadas são amplamente utilizados. Quando há uma dependência espacial (e.g., imagens) e temporal (e.g., série temporais), redes convolucionais e recorrentes, respectivamente, tendem a fornecer melhores resultados. Entretanto, tais redes não são adequadas quando existe uma dependência entre os dados diretamente como, por exemplo, aminoácidos que se conectam para formar uma proteína. Nesse caso, dados são representados como grafos e, além dos atributos, é importante que o processo de aprendizado considere informações de conexão entre seus vértices. Para superar essa limitação, surgiram as GNNs (Graph Neural Networks) que são RNAs criadas para aprender diretamente de grafos. Neste curso, serão abordados os conceitos fundamentais e arquiteturas de GNNs, com exemplos práticos de modelagem de proteínas.

Referências:
* M. Gori, G. Monfardini, and F. Scarselli, “A new model for learning in graph domains,” in Proceedings. 2005 IEEE international joint conference on neural networks, vol. 2, no. 2005, 2005, pp. 729–734.
* J. Zhou, G. Cui, S. Hu, Z. Zhang, C. Yang, Z. Liu, L. Wang, C. Li, and M. Sun, “Graph neural networks: A review of methods and applications,” AI Open, vol. 1, pp. 57–81, 2020
* Y. Xie, Z. Xu, J. Zhang, Z. Wang, and S. Ji, “Self-supervised learning of graph neural networks: A unified review,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022

Carga Horária:

3 horas

Tipo:

Optativa

Vagas oferecidas:

300

Ministrantes:

Ricardo Araújo Rios

voltar