Deep Learning geométrico y redes neuronales orientadas a grafos : estado del arte y aplicaciones

Simple item page
dc.contributor.advisorMayr Ojeda, Franz
dc.contributor.tribunalPisani Leal, Mikaela
dc.contributor.tribunalCarrasco Piaggio, Matías
dc.creatorGabito Decuadra, Juan Emilio
dc.creatorGonzalez Alvarez, María Cecilia
dc.creatorGuelfi Rodas, Marcelo Eduardo
dc.date.accessioned2024-08-22T15:26:01Z
dc.date.available2024-08-22T15:26:01Z
dc.date.issued2024
dc.descriptionIncluye bibliografía y anexos.
dc.description.abstractEl avance acelerado que se ha manifestado en el campo de Deep Learning en los últimos años ha transformado radicalmente diversas áreas del conocimiento. Este avance extiende sus aplicaciones más allá de los dominios euclidianos tradicionales para abordar estructuras de datos complejas como grafos y manifolds. Es en este contexto que emerge Deep Learning Geométrico (GDL) como una disciplina prometedora, capaz de procesar y analizar datos definidos en espacios no euclidianos y superando así las limitaciones inherentes a los enfoques convencionales de aprendizaje profundo. Esta tesis explora el estado del arte de GDL, centrándose en una de sus implementaciones más significativas, las Redes Neuronales Orientadas a Grafos (GNNs). A través de un exhaustivo análisis teórico y práctico, se abordan los fundamentos, desarrollos recientes, y aplicaciones de GDL y GNN más específicamente de Redes Neuronales Convolucionales orientadas a Grafos (GCNs), destacando su impacto y las posibilidades de aplicaciones que ofrecen. Se propone, además, una nueva arquitectura basada en los hallazgos de la investigación, destinada a mejorar el rendimiento en tareas específicas de aprendizaje automático sobre grafos, como la clasificación de vértices y la predicción de aristas. La evaluación de esta arquitectura, junto con un análisis comparativo con modelos existentes, subraya la viabilidad y el potencial de las soluciones propuestas para superar desafíos complejos en diversas áreas de aplicación, desde el análisis de redes hasta la biomedicina y la inteligencia urbana.
dc.format.extent55 p. diagrs., grafs.
dc.format.mimetypePDF
dc.identifier.citationGabito Decuadra, J. E., Gonzalez Alvarez, M. C. & Guelfi Rodas, M. E. (2024). Deep Learning geométrico y redes neuronales orientadas a grafos: estado del arte y aplicaciones (Trabajo Final) Universidad ORT Uruguay, Facultad de Ingeniería. Recuperado de https://rad.ort.edu.uy/handle/20.500.11968/7028
dc.identifier.urihttps://hdl.handle.net/20.500.11968/7028
dc.languagespa
dc.publisherUniversidad ORT Uruguay
dc.relation.otherhttps://sisbibliotecas.ort.edu.uy/bib/95814
dc.rights.levelAcceso abierto
dc.subjectPROYECTOS-MD
dc.subjectBIG DATA
dc.subjectAPRENDIZAJE AUTOMÁTICO
dc.subjectREDES NEURONALES
dc.titleDeep Learning geométrico y redes neuronales orientadas a grafos
dc.title.subtitleestado del arte y aplicaciones
dc.typeTrabajo final de carrera
dc.type.versionVersión publicada
ort.thesis.careerFI - Master en Big Data - MD
ort.thesis.degreegrantorFacultad de Ingeniería
ort.thesis.degreelevelMaster
ort.thesis.degreenameMaster en Big Data
ort.thesis.degreetypeTrabajo final
ort.thesis.noteTrabajo final (Master). Universidad ORT Uruguay, Facultad de Ingeniería
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Material completo.pdf
Size:
6.2 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Trabajos finales de carrera de postgrado