Busca avançada
Ano de início
Entree

Análise de dados heterogêneos para detecção de eventos

Processo: 18/16214-3
Linha de fomento:Bolsas no Brasil - Mestrado
Vigência (Início): 01 de dezembro de 2018
Vigência (Término): 29 de fevereiro de 2020
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Zanoni Dias
Beneficiário:Caroline Mazini Rodrigues
Instituição-sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Vinculado ao auxílio:17/12646-3 - Déjà vu: coerência temporal, espacial e de caracterização de dados heterogêneos para análise e interpretação de integridade, AP.TEM
Assunto(s):Aprendizado computacional   Análise espaço-temporal   Eventos   Mídias sociais   Análise de dados
Palavra(s)-Chave do Pesquisador:dados heterogêneos | detecção de eventos | forense digital | Aprendizado de Máquina

Resumo

Considerando a ocorrência de um evento com grande impacto social, é importante estabelecer uma relação espaço-temporal das informações disponíveis e assim, responder algumas questões sobre o evento como "quem", "como", "onde" e o "porquê". Este trabalho é parte do projeto temático FAPESP "DéjàVu: Feature-Space-Time Coherence from Heterogeneous Data for Media Integrity Analytics and Interpretation of Events" e propõe, a partir de dados coletados de redes sociais, determinar a relevância destes para o evento analisado, possibilitando a correta construção de relações entre esses dados durante a etapa de análise. Os principais desafios deste trabalho são as características dos dados que serão utilizados: heterogeneidade, já que são obtidos de diferentes fontes; multimodalidade, incluindo textos, imagens e v1deos; não-rotulação, não apresentando rótulos de relevância para o evento; e não-estruturação, já que não possuem caracter1sticas que possam ser utilizadas diretamente durante o aprendizado. Para determinar a relevância de itens analisados, será seguida uma sequência de etapas que incluem: preparação dos dados, onde eliminaremos redundâncias e rotularemos parte dos dados; engenharia de caracter1sticas, onde extrairemos características visuais e textuais; aprendizado de máquina, onde analisaremos técnicas de aprendizado não supervisionado e semi-supervisionado; e, validação e análise dos resultados, onde avaliaremos as soluções obtidas. (AU)

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)
RODRIGUES, CAROLINE MAZINI; SORIANO-VARGAS, AUREA; LAVI, BAHRAM; ROCHA, ANDERSON; DIAS, ZANONI. Manifold Learning for Real-World Event Understanding. IEEE Transactions on Information Forensics and Security, v. 16, p. 2957-2972, . (18/16548-9, 18/16214-3, 17/16246-0, 15/11937-9, 18/05668-3, 13/08293-7, 17/12646-3, 17/16871-1)
PADILHA, RAFAEL; RODRIGUES, CAROLINE MAZINI; ANDALO, FERNANDA; BERTOCCO, GABRIEL; DIAS, ZANONI; ROCHA, ANDERSON. Forensic Event Analysis: From Seemingly Unrelated Data to Understanding. IEEE SECURITY & PRIVACY, v. 18, n. 6, p. 23-32, . (18/16214-3, 17/21957-2, 17/12646-3)
Publicações acadêmicas
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
RODRIGUES, Caroline Mazini. Análise de representatividade de imagens para descrição de eventos. 2020. Dissertação de Mestrado - Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Campinas, SP.

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