Defesa de Tese de Doutorado de Sidney Araújo Melo – 02/12/2024, 14h, por videoconferência
Link para defesa: https://meet.google.com/yev-fihn-mtt
Graph Representation Learning for Game Provenance
Resumo:
Grafos de Proveniência de Jogos foram propostos como uma solução para modelar sessões de jogo. Estes grafos representam os elementos de um jogo, seus estados e interações. Ao emular a natureza complexa de um jogo, Grafos de Proveniência de Jogos apresentam múltiplos aspectos de seu domínio: heterogeneidade, dinamicidade e espacialidade. Paralelamente, Redes Neurais de Grafos (Graph Neural Networks, ou ainda GNNs) propagam informação do grafo através de suas arestas para aprender representações adequadas para tarefas de Aprendizado de Máquina. A partir desse processo, a literatura tem empregado múltiplas abordagens arquiteturais para conciliar GNNs e a estrutura de grafo usada para modelar um domínio. Embora existentes, as tentativas de conciliar os dois tópicos negligenciam o aspecto heterogêneo do domínio de jogos. Dessa forma, a presente tese tem como objetivo elicitar os principais desafios para combinar Grafos de Proveniência e Aprendizado de Representação em Grafos, propor uma abordagem que atenda o aspecto heterogêneo do domínio de jogos nos Grafos de Proveniência e, finalmente, avaliar a aplicabilidade da abordagem em tarefas de Game Analytics. Para alcançar tal objetivo, revisitamos os fundamentos de Grafos de Proveniência e Aprendizado de Representação em Grafos, revisamos métodos propostos na literatura e levantamos aplicações de aprendizado de máquina no âmbito dos jogos digitais e Game Analytics. Assim, o presente trabalho apresenta um novo framework, chamado PinGLR, que prevê os aspectos dos jogos, implementa soluções para lidar, especificamente, com heterogeneidade e provê uma arquitetura fim-a-fim para aprendizado de máquina e também um dataset de grafos de proveniência. Em específico, a pesquisa contribui com: (i.) uma nova abordagem para heterogeneidade baseada na intersecção de conjuntos de atributos e (ii.) uma investigação empírica comparando modelos gerados pelo framework PinGLR e métodos tradicionais, a qual aponta que nossa proposta atinge desempenho similar ou superior.
Abstract:
Game Provenance Graphs have been proposed as a solution for modeling and representing game sessions. These graphs capture the elements of a game, their states, and interactions. By emulating the complex nature of a game, Game Provenance Graphs present multiple aspects of their domain: heterogeneity, dynamicity, and spatiality. Parallelly, Graph Neural Networks (GNNs) propagate information through the graph’s edges to learn suitable representations for Machine Learning tasks. Based on this process, literature has employed multiple architectural approaches to reconcile GNNs and the graph structure used to model a domain. Although existent, attempts to reconcile both topics neglect the heterogeneous aspects of the game domain. Thus, this thesis aims to elicit the main challenges for combining Provenance Graphs and Representation Learning in Graphs, propose an approach that leverages the heterogeneous aspect of Game Provenance Graphs, and, finally, evaluate the applicability of the approach in Game Analytics tasks. To achieve this goal, we revisited the fundamentals of Provenance Graphs and Representation Learning in Graphs and surveyed both methods proposed in the literature and machine learning applications in the context of digital games and Game Analytics. Thus, this paper presents a new framework called PinGLR, which leverages one aspect of games by implementing solutions to deal with heterogeneity and provides an end-to-end architecture for machine learning solutions, as well as a dataset of provenance graphs. Specifically, the research contributes with (i.) a new approach to node heterogeneity based on the recurrent intersection of attribute sets and (ii.) an empirical investigation comparing models generated by the PinGLR framework and traditional methods based on metrics, which points out that our proposal achieves similar or superior performance.
Banca examinadora:
Profa. Aline Marins Paes Carvalho, UFF – Presidente
Prof. Esteban Walter Gonzalez Clua, UFF
Prof. Troy Costa Kohwalter, UFF
Prof. Leonardo Gresta Paulino Murta, UFF
Prof. Luiz Chaimowicz, UFMG
Prof. Sérgio Teixeira de Carvalho, UFG