Explorando Graph Neural Networks (GNNs)
um mapeamento sistemático da literatura para análise de domínios de aplicação e métricas de avaliação
DOI:
https://doi.org/10.5540/03.2025.011.01.0396Keywords:
MSL, Aprendizado de Máquina, Grafos, Graph Neural Networks, GNNsAbstract
Este artigo apresenta um mapeamento sistemático das Redes Neurais de Grafos (GNNs, do inglês Graph Neural Networks), destacando sua crescente relevância em diversos campos, como ciência de dados, aprendizado de máquina e redes complexas. Para modelar dados estruturados em forma de grafos, as GNNs são estruturas eficazes que permitem uma análise eficiente de informações interconectadas. Examinar os domínios de aplicações e investigar as principais métricas para validar / avaliar as GNNs é o principal objetivo deste estudo, que oferece uma visão abrangente das contribuições recentes nesse campo emergente. Para atingir este objetivo, foi realizado um Mapeamento Sistemático da Literatura (MSL), seguindo um protocolo bem definido, incluindo critérios específicos para seleção de estudos, busca abrangente em diversas fontes, análise dos resultados e síntese do conhecimento obtido. Os resultados deste mapeamento destacam uma ampla gama de aplicações de GNNs, como classificação grafo, bioinformática, medicina, ciência da computação, recomendação de itens em sistemas de recomendação, apresentando excelentes desempenhos em seus testes.
Downloads
References
C. Agarwal, O. Queen, H. Lakkaraju e M. Zitnik. “Evaluating explainability for graph neural networks”. Em: Scientific Data 10.1 (2023), p. 144.
S. Biswas. “Graph Neural Network and Its Applications”. Em: Concepts and Techniques of Graph Neural Networks. IGI Global, 2023, pp. 19–32.
A. Carrera-Rivera, W. Ochoa, F. Larrinaga e G. Lasa. “How-to conduct a systematic literature review: A quick guide for computer science research”. Em: MethodsX 9 (2022), p. 101895.
S. Keele et al. Guidelines for performing systematic literature reviews in software engineering. 2007.
M. Petticrew e H. Roberts. Systematic reviews in the social sciences: A practical guide. John Wiley & Sons, 2008.
L. Waikhom e R. Patgiri. “A survey of graph neural networks in various learning paradigms: methods, applications, and challenges”. Em: Artificial Intelligence Review 56.7 (2023), pp. 6295–6364.
Z. Wu, S. Pan, F. Chen, G. Long, C. Zhang e S. Y. Philip. “A comprehensive survey on graph neural networks”. Em: IEEE transactions on neural networks and learning systems 32.1 (2020), pp. 4–24.
