São Paulo — InkDesign News —
Um novo modelo de machine learning desenvolvido por uma equipe de pesquisa da Universidade de Kumamoto promete melhorar significativamente a acurácia do matching de subgrafos, uma tarefa crucial em áreas como descoberta de medicamentos e processamento de linguagem natural.
Contexto da pesquisa
O matching de subgrafos envolve a identificação de padrões específicos dentro de grandes e complexas redes. As Redes Neurais de Grafos (GNNs) tradicionais frequentemente enfrentam dificuldades de precisão quando “nós extras” ou irrelevantes interferem no processo de matching.
Metodo proposto
A equipe, liderada pelo Professor Motoki Amagasaki e pelo Professor Assistente Masato Kiyama, desenvolveu o ENDNet (Extra-Node Decision Network), um modelo inovador de AI que pode identificar e neutralizar a influência desses nós extras. O ENDNet introduz três mecanismos principais:
- Detecção de nós extras usando uma matriz de matching desnormais, que identifica nós irrelevantes e suprime sua influência ao definir seus valores de características como zero.
- Propagação unidirecional, um mecanismo que refina o alinhamento de características entre os gráficos de consulta e dados.
- Convolução de gráfico compartilhado, um novo método de convolução utilizando funções sigmoides para aprimorar a extração de características.
Resultados e impacto
Testes em quatro conjuntos de dados abertos mostraram que o ENDNet supera modelos existentes, alcançando até 99,1% de acurácia no conjunto de dados COX2, uma melhoria significativa em relação aos 91,6% obtidos com métodos anteriores. Estudos de ablação confirmaram que cada componente do ENDNet contribui para seu alto desempenho.
“O ENDNet abre possibilidades empolgantes para aplicar o matching de subgrafos a dados do mundo real, como redes biológicas, estruturas moleculares e gráficos sociais,”
— Professor Assistente Masato Kiyama, Universidade de Kumamoto
O código-fonte está disponível publicamente no GitHub, incentivando o desenvolvimento adicional pela comunidade AI.
Fonte: (TechXplore – Machine Learning & AI)
