Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs

Autores
Parlanti, Tatiana S.; Catania, Carlos Adrián; Moyano, Luis G.
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
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.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Redes Complejas
Redes Neuronales para Grafos
Grafos Sintéticos
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/164886
Acceder
id SEDICI_76415bb10003ee6908f6bbbcf493c980
oai_identifier_str oai:sedici.unlp.edu.ar:10915/164886
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNsParlanti, Tatiana S.Catania, Carlos AdriánMoyano, Luis G.Ciencias InformáticasRedes ComplejasRedes Neuronales para GrafosGrafos SintéticosLas 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.Red de Universidades con Carreras en Informática2023-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf124-133http://sedici.unlp.edu.ar/handle/10915/164886spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-9285-51-0info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/163107info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:43:41Zoai:sedici.unlp.edu.ar:10915/164886Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:43:42.052SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
title Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
spellingShingle Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
Parlanti, Tatiana S.
Ciencias Informáticas
Redes Complejas
Redes Neuronales para Grafos
Grafos Sintéticos
title_short Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
title_full Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
title_fullStr Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
title_full_unstemmed Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
title_sort Impacto de factores topológicos y de desbalance en la clasificación de nodos con GCNs
dc.creator.none.fl_str_mv Parlanti, Tatiana S.
Catania, Carlos Adrián
Moyano, Luis G.
author Parlanti, Tatiana S.
author_facet Parlanti, Tatiana S.
Catania, Carlos Adrián
Moyano, Luis G.
author_role author
author2 Catania, Carlos Adrián
Moyano, Luis G.
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Redes Complejas
Redes Neuronales para Grafos
Grafos Sintéticos
topic Ciencias Informáticas
Redes Complejas
Redes Neuronales para Grafos
Grafos Sintéticos
dc.description.none.fl_txt_mv 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.
Red de Universidades con Carreras en Informática
description 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.
publishDate 2023
dc.date.none.fl_str_mv 2023-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/164886
url http://sedici.unlp.edu.ar/handle/10915/164886
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-9285-51-0
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/163107
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
124-133
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616305098883072
score 13.070432

Publicaciones similares