Aprendizaje Profundo en Gráficas: Una Exploración Centrada en Datos

Muchas tareas de aprendizaje en Inteligencia Artificial (IA) requieren lidiar con datos de gráficos, que abarcan desde biología y química hasta finanzas y educación. Como poderosas herramientas de aprendizaje profundo para gráficos, las redes neuronales gráficas (GNNs) han demostrado un rendimiento notable en diversas aplicaciones relacionadas con gráficos. A pesar de los logros significativos de las GNNs, estudios recientes han destacado que su eficiencia y efectividad enfrentan desafíos significativos como la robustez adversarial y la escalabilidad, que están fundamentalmente vinculados a los datos. Si bien se ha prestado una gran atención a la mejora de las GNNs desde la perspectiva del modelo, a menudo se ha pasado por alto el potencial de mejorar directamente los datos. Esto subraya una brecha crítica en la investigación de GNNs: si bien las mejoras del modelo son indudablemente importantes, también necesitamos reconocer y abordar los factores relacionados con los datos que contribuyen a los desafíos. Por lo tanto, mi investigación es investigar soluciones para estos desafíos desde la perspectiva de los datos, empleando estrategias como la caracterización de datos, reducción, aumento, transformación y detección.