| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Ralha, Célia Ghedini | - |
| dc.contributor.author | Lima, Rafael Henrique Nogalha de | - |
| dc.identifier.citation | LIMA, Rafael Henrique Nogalha de. Ablation study of AC2CD hyperparameters. 2023. 19 f., il. Trabalho de conclusão de curso (Bacharelado em Ciência da Computação) — Universidade de Brasília, Brasília, 2023. | pt_BR |
| dc.description | Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Inteligência artificial | pt_BR |
| dc.subject.keyword | Aprendizado de máquina | pt_BR |
| dc.subject.keyword | Redes de atenção a grafos (GAT) | pt_BR |
| dc.title | Ablation study of AC2CD hyperparameters | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2023-10-09T11:58:03Z | - |
| dc.date.available | 2023-10-09T11:58:03Z | - |
| dc.date.submitted | 2023-07-14 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/36334 | - |
| dc.language.iso | Inglês | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
| dc.description.abstract1 | This article presents an ablation study for Deep Reinforce-
ment Learning (DRL) with a case of the Actor-Critic Architecture for
Community Detection (AC2CD), developed upon DRL and Graph At-
tention Networks (GAT). The ablation study method is sustained by
the explainable artificial intelligence approach, including execution time,
memory, and GPU usage to assess the AC2CD performance. The datasets
used in the experiments include two real-world data. The first is an email
network between members of a European research institution (Email-Eu)
with 1, 005 nodes, 25, 571 edges, and 42 communities, available on the
Stanford Snap Project. The second is a High School contact and friend-
ship network in Marseilles, France, in December 2013 with 329 nodes,
45, 047 edges, and nine communities, available on Socio Patterns Website.
The three hyperparameters used to analyze the architecture execution
are the learn rate, batch size, and n games, varying from 10%, 30%, 50%,
and 70%. With the achieved experimental results, we find a set of hy-
perparameters with optimal balance contributing to analysis that might
interest the DRL and GAT communities for each analyzed dataset. | pt_BR |
| Aparece na Coleção: | Ciência da Computação
|
