Discussão do artigo "Redes neurais em trading: Representação adaptativa de grafos (NAFS)"

Novo comentário
 

Novo artigo Redes neurais em trading: Representação adaptativa de grafos (NAFS) foi publicado:

Apresentamos o método NAFS (Node-Adaptive Feature Smoothing), uma abordagem não paramétrica para criar representações de nós que não requer o treinamento de parâmetros. O NAFS extrai as características de cada nó considerando seus vizinhos e, então, combina essas características de forma adaptativa para formar a representação final.

Nos últimos anos, o aprendizado de representação de grafos tem sido amplamente aplicado em diferentes cenários, como a clusterização de nós, a previsão de conexões, a classificação de nós e a classificação de grafos. O objetivo do aprendizado de representação de grafos é codificar as informações dos grafos por meio da incorporação dos nós. Os métodos tradicionais de aprendizado de representação de grafos focavam na preservação da estrutura do grafo. No entanto, esses métodos enfrentam duas limitações principais:

  1. Arquitetura superficial. Embora redes neurais convolucionais em grafos (GCN) apliquem múltiplas camadas para capturar informações estruturais profundas, o aumento do número de camadas frequentemente leva a um excesso de suavização e incorporações indistinguíveis.
  2. Baixa escalabilidade. Os métodos de aprendizado de representação de grafos baseados em GNN não conseguem escalar para grafos grandes devido ao alto custo computacional e ao grande consumo de memória.

Esses problemas foram abordados pelos autores do trabalho "NAFS: A Simple yet Tough-to-beat Baseline for Graph Representation Learning", no qual foi proposto um novo método de representação de grafos por meio da simples suavização de características dos nós, seguida de uma combinação adaptativa. O método de suavização adaptativa das características dos nós (Node-Adaptive Feature Smoothing — NAFS) gera incorporações de nós mais avançadas, integrando tanto informações estruturais do grafo quanto características dos próprios nós. Com base na observação de que diferentes nós possuem velocidades de suavização muito distintas, oNAFS suaviza cada característica de forma adaptativa e utiliza informações tanto de vizinhanças de ordem inferior quanto superior de cada nó. Além disso, um conjunto de características também é utilizado para combinar as características suavizadas, extraídas por diferentes operadores de suavização. Como o NAFS não requer aprendizado, ele reduz significativamente os custos de treinamento e apresenta melhor escalabilidade para grafos de grande porte.


Autor: Dmitriy Gizlyk

Novo comentário