Resumo
Redes neurais para grafos (graph neural networks, GNNs) consistem em generalizações de arquiteturas neurais clássicas (e.g., redes convolucionais) para dados estruturados na forma de grafos. Essas redes têm se tornado a abordagem mais promissora para aprendizado de representações para grafos, levando a resultados notáveis em diversas aplicações, incluindo geração de novas drogas, sistemas de recomendação, tradução automática, e geolocalização de usuário. As GNNs podem ser aplicadas para solucionar problemas de classificação de nó, classificação de grafos, geração de grafos, e predição de arestas. Neste trabalho, o foco será na tarefa de predição de arestas. Neste trabalho são propostos avanços para a tarefa de predição de arestas ao serem apresentados dois modelos distintos.Oprimeiroéomulti-hop linear graph variational autoencoder (ML-GVAE)ummodeloparapredição de arestas que utiliza a combinação de múltiplos codificadores lineares para gerar uma representação latente de baixa dimensão mais precisa do grafo de entrada. O segundo é o método on-and-off link scaling (OOLS) um método de calibração post hoc para GNNs focado em aprender um vetor de temperatura baseado nas representações das arestas. O ML-GVAE foi treinado utilizando três grafos famosos para predição de arestas e comparado contra três GNNs (i.e., VGAE, VAE, e L-GVAE). Os experimentos mostraram que o ML-GVAE, no geral, superou os métodos concorrentes. Onde o ganho mais expressivo foi para a predição das arestas no grafo PubMed com aumento de 1.9% na AUC. O OOLS foi aplicado em duas GNNs distintas treinadas com 6 grafos próprios para predição de aresta e ele foi comparado contra quatro outros calibradores. Os resultados encontrados mostram que o OOLS supera de forma majoritária todos os métodos concorrentes de calibração. Em especial, são apresentados resultados que mostram que o método OOLS gera uma calibração precisa sem afetar negativamente a AUC do modelo alvo