Graph Convolutional Neural Networks per la classificazione dei nodi con apprendimento semi-supervisionato. Esperimenti sulla rete stradale di Glasgow. ​

This thesis studies Graph Neural Networks (GNN), a topic of increasing interest within the field of Deep Learning, thanks to its several applications and valid performances. They allow to create an end to end machine learning model that is simultaneously trained to learn a representation of graph structured data and to fit a predictive model on it. After a brief description of all types of models belonging to this class, the Graph Convolutional Networks are examined in detail, proposing four specific models applied to semi-supervised node classification. This thesis is thought with a practical intent, therefore the models have not been tested on existing datasets and amply used in literature, but on a completely new one. The goal is to create a new data set from the road network of the city of Glasgow. It is actually a graph, where crossings and roads represent nodes and edges. By combining data from different sources (Strava, OSM) to obtain as complete information as possible, the purpose is to estimate the risk level of road intersections, having on some of them sure results available. ​

Questa tesi studia i Graph Neural Networks (GNN), argomento di crescente interesse nell'ambito del Deep Learning, grazie alle sue molteplici applicazioni e agli ottimi risultati ottenuti. I GNNs sono un'espansione delle reti neurali, in grado di apprendere le informazioni racchiuse in un grafo e di implementare su di esso un modello predittivo. Dopo una breve descrizione di tutti i tipi di modelli appartenenti a questa classe, i Graph Convolutional networks vengono esaminati più nel dettaglio, proponendo quattro modelli specifici per la classificazione dei nodi con apprendimento semi-supervisionato. Questa tesi è pensata con un intento pratico-applicativo, pertanto i modelli non sono stati testati su dataset già esistenti e ampiamente utilizzati in letteratura, bensì su uno completamente nuovo. L'obiettivo è quello di creare un nuovo dataset proveniente dalla rete stradale della città di Glasgow. La rete stradale di una città è infatti un grafo a tutti gli effetti, dove incroci e strade sono i nodi e gli archi. Combinando dati provenienti da fonti diverse (Strava, OSM) per ottenere informazioni il più complete possibile, lo scopo è quello di stimare il livello di rischio degli incroci stradali, avendo a disposizione su alcuni di essi risultati certi. ​