Reti neurali operanti su grafi : distribuzione e multi-classificazione

Graph datasets are gaining more and more diffusion and revelance in the field of Big Data. It’s enough to think about interaction diagrams between people on social networks like Facebook or Twitter, or about collaboration and citation networks between scientific papers. In this thesis some recently proposed models of neural networks being able to process graphs are compared, showing their pros and cons and focusing on scalability issues. The main contribution of this work is a neural network model able to deal efficiently and in a distributed way with enormous graphs, which can’t fit on a single computer. More in detail, the task we are trying to provide a solution to is multi-classification, so that a node of the graph can belong at the same time to two or more different classes. In addition, we suppose that classes are organized in a hierarchy; this is without loss of generality since for a traditional multi-classification task it will be enough to assume a flat hierarchy.

Nel mondo dei Big Data si sta facendo sempre più spazio la tipologia di dati a grafo. È sufficiente pensare a diagrammi di interazione tra persone su social network come Facebook o Twitter, o a reti di citazione e collaborazione tra pubblicazioni di ricerca scientifica. Di qui l'esigenza di analisi e inferenza anche su questi dataset. In questa tesi vengono messi a confronto alcuni modelli di reti neurali operanti su grafo proposte della letteratura, evidenziandone pregi, difetti e tematiche relative alla scalabilità. Il contributo di questo lavoro è infatti un modello di rete neurale che sia in grado di lavorare in maniera efficace e distribuita su grafi di enormi dimensioni, che non trovino spazio nella memoria di un singolo elaboratore. In particolare, il problema che si andrà a risolvere è di multi-classificazione, dove cioè ciascun nodo del grafo può appartenere a più classi. Inoltre, supponiamo che le classi a cui un nodo può appartenere siano organizzate in una gerarchia. Una simile definizione del problema resta senza perdita di generalità; nel caso di un tradizionale task di multi-classificazione basterà assumere una gerarchia piatta.