| Grant number: | 18/01873-1 |
| Support type: | Scholarships in Brazil - Scientific Initiation |
| Effective date (Start): | August 01, 2018 |
| Effective date (End): | July 31, 2019 |
| Field of knowledge: | Physical Sciences and Mathematics - Computer Science - Computing Methodologies and Techniques |
| Principal Investigator: | Fabricio Aparecido Breve |
| Grantee: | Bruno Martinucci Candalaft |
| Home Institution: | Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brazil |
Abstract Aprendizado Semi-Supervisionado é uma categoria de importância crescente no aprendizado de máquina, onde apenas um pequeno subconjunto dos dados é rotulado. Uma abordagem recente desta categoria é o modelo de competição e cooperação entre partículas, no qual itens de dados são transformados em vértices de um grafo, e arestas são criadas entre vértices representando dados semelhantes, de acordo com a distância Euclidiana entre os itens de dados correspondentes. Em seguida, partículas fazendo uma caminhada aleatório-gulosa são aplicadas, usando mecanismo de competição e cooperação, com o objetivo de propagar seus rótulos para o restante da rede. Partículas representando uma mesma classe cooperam entre si, em uma abordagem de dividir para conquistar. Ao mesmo tempo, a competição ocorre entre partículas de classes diferentes, que tentam impedir que partículas inimigas invadam seu território. Apesar de ser uma abordagem relativamente nova, o modelo de partículas já foi aplicado com sucesso em importantes problemas de aprendizado de máquina, como detecção de comunidades sobrepostas, aprendizado com rótulos ruidosos, aprendizado com mudanças de conceitos, aprendizado ativo e semi-supervisionado combinados e segmentação de imagens. Neste projeto objetiva-se aplicar o modelo de competição e cooperação entre partículas na classificação semi-supervisionada de séries temporais. O modelo será aplicado em 45 conjuntos de dados de séries temporais presentes no repositório UCR Time Series Classification Archive, aferindo acurácia de classificação e tempo de execução, de modo que os resultados possam ser comparados aos obtidos por algoritmos do estado da arte. (AU) | |