OLGA: Un Nuevo Método para Aprendizaje de Una Clase en Grafos

El Aprendizaje de una sola clase (OCL) se centra en problemas donde solo nos interesa una categoría o clase de cosas. Por ejemplo, si queremos encontrar solo correos spam, solo usamos correos que sabemos que son spam para entrenar nuestro sistema. El objetivo de OCL es identificar instancias que pertenecen a esa categoría mientras ignoramos todo lo demás. Comúnmente, se utilizan técnicas para crear un límite, a menudo llamado hiperesfera, alrededor de los ejemplos que tenemos de esa categoría. La idea es que queremos que nuestro modelo reconozca nuevos elementos que caen dentro de este límite como parte de la categoría y cualquier cosa fuera de ella como no parte de ella.

Los gráficos son estructuras útiles para representar muchos problemas que encontramos en el mundo real. Consisten en nodos y bordes, donde los nodos simbolizan elementos y los bordes denotan las conexiones entre esos elementos. Esta estructura es significativa en áreas como redes sociales, sistemas de recomendación o el estudio de redes biológicas. Al usar gráficos, podemos analizar mejor las relaciones porque podemos ver cómo todo está conectado.

Hay varias tareas en las que podemos usar gráficos para clasificación, especialmente cuando solo nos importa un grupo específico dentro de los datos. Por ejemplo, podemos usar gráficos para identificar noticias falsas, predecir canciones populares, detectar fraudes o detectar actividades inusuales en los datos. La ventaja de OCL en estos casos es que requiere menos muestras para entrenar y puede funcionar mejor incluso cuando las instancias de la categoría "no de interés" son raras.

Sin embargo, todavía hay importantes lagunas en la investigación sobre OCL cuando se aplica a datos de gráficos. Los métodos tradicionales se pueden dividir en dos enfoques principales: métodos de dos pasos y métodos de extremo a extremo. En los métodos de dos pasos, el proceso se divide en dos partes, donde primero creamos representaciones del gráfico utilizando técnicas no supervisadas y luego categorizamos los nodos usando OCL. Si bien esto puede ser efectivo, las representaciones creadas no siempre funcionan bien con el paso de clasificación posterior porque no están diseñadas específicamente para OCL.

Los métodos de extremo a extremo son más recientes y aprenden a representar y clasificar al mismo tiempo, lo que puede mejorar la efectividad general. Sin embargo, la mayoría de estos métodos también enfrentan limitaciones, como la falta de restricciones sobre cómo se crea la hiperesfera o problemas para entender e interpretar los resultados.

#El Método Propuesto: OLGA

Para abordar estas lagunas, presentamos OLGA, un método de extremo a extremo para clasificar nodos en gráficos enfocado en OCL. OLGA está diseñado para aprender representaciones de los nodos del gráfico mientras también identifica cuáles pertenecen a la categoría de interés.

OLGA trabaja combinando dos tipos de Funciones de Pérdida. La primera ayuda al modelo a recrear la estructura original del gráfico, asegurando que las conexiones y relaciones se mantengan. La segunda es una nueva función de pérdida que proponemos, enfocada en asegurar que las instancias de la categoría de interés permanezcan cerca del centro de la hiperesfera.

El aprendizaje en OLGA estabiliza el proceso, de manera que las instancias que se consideran relevantes pueden ser incluidas de manera efectiva, incluso si no están etiquetadas. Este enfoque dual permite que el modelo aprenda de múltiples tareas a la vez, mejorando el rendimiento general en la clasificación de instancias de interés.

#Cómo Funciona OLGA

En OLGA, primero generamos una representación de los nodos del gráfico, que es esencial para capturar los aspectos estructurales del gráfico. El modelo sigue un camino similar al de cómo funcionan los autoencoders de gráficos, permitiendo una reconstrucción de las conexiones del gráfico para mantener información esencial.

#Tareas

En OLGA, definimos tres tareas principales para el proceso de aprendizaje:

1. Tarea de Clasificación: Esta tarea consiste en determinar si un nodo pertenece a la categoría de interés o no.
2. Reconstrucción de Nodos Etiquetados: Esta tarea tiene como objetivo recrear la estructura para los nodos etiquetados que conocemos.
3. Reconstrucción de Nodos No Etiquetados: Esta tarea se enfoca en lo mismo para los nodos para los que aún no tenemos etiquetas.

Al hacer esto, OLGA puede construir un sistema robusto capaz de identificar qué nodos encajan en nuestra categoría de interés basado en representaciones aprendidas.

#Funciones de Pérdida

Las funciones de pérdida guían nuestro proceso de aprendizaje. La pérdida de reconstrucción asegura que los nodos estén correctamente representados mientras que la nueva pérdida de hiperesfera empuja las instancias dentro de la esfera más cerca del centro. Esto ayuda a mantener el enfoque en la categoría de interés y mantiene el proceso de aprendizaje efectivo.

#Evaluando OLGA

Para asegurar la efectividad de OLGA, evaluamos su rendimiento contra otros métodos utilizando varios conjuntos de datos que abarcan diferentes tipos de datos, como datos textuales, de imágenes y tabulares. El objetivo era mostrar que OLGA supera a otros métodos de vanguardia en determinar cuáles nodos pertenecen a la categoría de interés.

#Conjuntos de Datos

Usamos conjuntos de datos de una sola clase recolectados de varias fuentes que incluían:

• Conjuntos de Datos Textuales: Estos incluían datos sobre la detección de noticias falsas y clasificación de eventos.
• Conjuntos de Datos de Imágenes: Teníamos colecciones de imágenes de comida e imágenes médicas, por ejemplo, detección de neumonía.
• Conjuntos de Datos Tabulares: Se utilizaron datos sobre propiedades moleculares y detección de malware.

Esto nos permitió probar OLGA en varios dominios y tipos de datos, asegurando una amplia aplicabilidad.

#Configuración Experimental

En nuestros experimentos, generamos representaciones Gráficas usando métodos como DeepWalk y Node2Vec, y luego usamos algoritmos OCL para clasificar los nodos basados en estas representaciones. Comparamos el rendimiento de OLGA con métodos tradicionales de dos pasos y técnicas de extremo a extremo.

Llevamos a cabo una forma de validación cruzada adecuada para el aprendizaje de una sola clase, donde aseguramos que solo las instancias de nuestra categoría de interés estuvieran segregadas para entrenamiento y prueba. Este enfoque realista simula cómo OCL suele funcionar en la práctica.

#Resultados

Los resultados demostraron que OLGA a menudo superaba a otros métodos. Logró mejores resultados de clasificación en muchos conjuntos de datos, especialmente en categorías textuales y tabulares. OLGA mostró la capacidad de mantener el rendimiento de clasificación incluso al trabajar con representaciones de baja dimensión, lo que también permitió una interpretación y visualización más fáciles.

En escenarios donde OLGA no fue el mejor, aún mantuvo resultados competitivos, sugiriendo su potencial en diferentes aplicaciones. Las representaciones visuales creadas por OLGA fueron valiosas para entender qué tan bien funcionó el modelo, mostrando separación distinta entre instancias de interés y no interés.

#Conclusión

Presentamos OLGA, un nuevo enfoque para el aprendizaje de una sola clase dentro del contexto de datos de gráficos. Al combinar diferentes funciones de pérdida y utilizar el aprendizaje de extremo a extremo, OLGA aprende efectivamente representaciones y clasifica nodos en gráficos. Nuestros experimentos confirman que OLGA tiene un buen rendimiento en varios dominios mientras se mantiene interpretable y capaz de visualizar sus resultados.

La capacidad de trabajar con datos de baja dimensión mejora aún más la utilidad de OLGA, convirtiéndolo en una opción flexible para aplicaciones del mundo real donde entender los datos y hacer clasificaciones precisas es crucial.

El trabajo futuro seguirá explorando modificaciones adicionales a OLGA, buscando mejorar su robustez y aplicabilidad a situaciones de datos aún más diversas. Desarrollar mejores técnicas de interpretabilidad también será una prioridad, facilitando que los usuarios entiendan cómo OLGA llega a sus decisiones.