Busca avançada
Ano de início
Entree

Construção de redes para o aprendizado semissupervisionado

Processo: 11/21880-3
Modalidade de apoio:Bolsas no Brasil - Doutorado
Vigência (Início): 01 de março de 2012
Vigência (Término): 31 de agosto de 2015
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Alneu de Andrade Lopes
Beneficiário:Lilian Berton
Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Assunto(s):Aprendizado computacional   Aprendizado semissupervisionado
Palavra(s)-Chave do Pesquisador:Aprendizado Semissupervisionado | classificação baseada em grafos | construção de grafos | Aprendizado de Máquina

Resumo

As bases de dados estão ficando cada vez maiores e, em muitas situações, apenas um pequeno subconjunto de itens de dados pode ser rotulado. Isto acontece devido ao processo de rotulagem ser frequentemente caro, demorado e necessitar do envolvimento de especialistas humanos. Com isso, as técnicas de aprendizado semissupervisionado, dirigidas a situações nas quais existem apenas uma pequena fração dos dados rotulada, tornam-se bastante relevantes. Diversos algoritmos semissupervisionados foram propostos, mostrando que é possível obter bons resultados empregando conhecimento prévio. Dentre estes algoritmos, os que têm ganhado bastante destaque na área têm sido aqueles baseados em grafos. Tal interesse justifica-se pelas vantagens fornecidas pela representação via grafos, tais como, a possibilidade de capturar a estrutura topológica dos dados, representar estruturas hierárquicas (grafos e subgrafos), bem como detectar agrupamentos. Porém, a maioria dos dados disponíveis é representada por uma tabela atributo-valor, fazendo-se necessário, portanto, o estudo de técnicas de construção de grafos para aplicar em tais algoritmos. Assim, este trabalho enfoca nos algoritmos semissupervisionados baseados em grafos, os quais fazem uso de uma matriz de peso entre os vértices e de um grafo esparso, já que grafos densos podem degenerar a solução. Como a geração da matriz de pesos e do grafo esparso, bem como sua relação com o desempenho dos algoritmos tem sido pouco investigada na literatura, este projeto pretende investigar estes aspectos, bem como propor novos métodos de geração de redes, que englobem as vantagens de dois ou mais métodos de construção de redes a partir de dados em formato atributo-valor, ou que considerem características ainda não exploradas na literatura. As redes construídas serão aplicadas em algoritmos de aprendizado semissupervisionado que fazem uso de grafos.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
BERTON, LILIAN; FALEIROS, THIAGO DE PAULO; VALEJO, ALAN; VALVERDE-REBAZA, JORGE; LOPES, ALNEU DE ANDRADE. RGCLI: Robust Graph that Considers Labeled Instances for Semi Supervised Learning. Neurocomputing, v. 226, p. 238-248, . (11/23689-9, 11/21880-3, 15/14228-9, 13/12191-5)
Publicações acadêmicas
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
BERTON, Lilian. Construção de redes baseadas em vizinhança para o aprendizado semissupervisionado. 2016. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.