Filtragem de sinais sobre grafos aplicada à classificação de dados ruidosos definidos em estruturas irregulares
Data
2023-10-03
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
Graph convolutional networks (GCN) allow deep neural networks to learn from data defined in
irregular structures represented by a graph. This approach has attracted more and more attention
in recent years. Such algorithms generally learn based on the information associated with the
vertices and edges present in the graph, being possible to use them to improve the performance
of several tasks such as classification of vertices, a signal defined on the graph or the graph
itself. The objective of this work is to evaluate the classification of noisy data arranged in an
irregular structure from the training of low-pass filters performed by the convolutional layers of
a GNN. Filters are designed and applied based on signal processing tools on graphs such as the
graph Fourier transform. The graph-based convolutional neural network will perform the
learning of parameters for different noise scales in the graph Fourier transform domain that are
able to extract relevant information for classification of the noisy dataset.
Descrição
As redes convolucionais baseadas em grafos (Graph Convolutional Networks, GCN) permitem
que modelos de redes neurais profundas aprendam a partir de dados definidos em estruturas
irregulares representados por meio de um grafo. Essa abordagem tem atraído cada vez mais
atenção nos últimos anos. Tais algoritmos geralmente aprendem com base na informação
associada aos vértices e arestas do grafo, sendo possível utilizá-las para melhorar o desempenho
de diversas tarefas como classificação de vértices, de um sinal definido sobre o grafo ou do
próprio grafo. O objetivo deste trabalho é avaliar a classificação de dados ruidosos dispostos em
uma estrutura irregular a partir do treinamento de filtros passa-baixas realizado pelas camadas
convolucionais de uma GCN. Os filtros são projetados e aplicados baseando-se em ferramentas
de processamento de sinais sobre grafos como a transformada de Fourier sobre grafos. A rede
neural convolucional baseada em grafos realizará o aprendizado de parâmetros para diferentes
escalas de ruídos no domínio da transformada de Fourier sobre grafos que sejam capazes de
extrair informação relevante para classificação do conjunto de dados ruidosos.
Palavras-chave
Processamento digital de sinais, Aprendizado do computador, Aprendizagem profunda, Redes neurais baseadas em grafos
Referência
MEDEIROS, Jorge Barros. Filtragem de sinais sobre grafos aplicada à classificação de dados ruidosos definidos em estruturas irregulares. 2023. 11 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Eletrônica) - Unidade Acadêmica do Cabo de Santo Agostinho, Universidade Federal Rural de Pernambuco, 2023.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como openAccess