Classificação de dados com distribuição estacionária, não estacionária e com escassez de dados rotulados por meio de abordagens baseadas em grafos

Resumo

Técnicas de aprendizado de máquina são fundamentais na resolução de problemas relacionados à mineração de dados. Aplicações como agrupamento, classificação, visualização e recuperação de informação, não seriam viáveis de serem resolvidos considerando outra abordagem. No contexto de aprendizado de máquina, apenas recentemente métodos baseados em grafos têm sido considerados na solução de problemas relacionados à mineração de dados. Métodos baseados em grafos consistem em uma poderosa forma de representação e abstração de dados que proporcionam, dentre outras vantagens, representar relações topológicas, visualizar estruturas, representar grupos de dados com formatos distintos, bem como, fornecer medidas alternativas para caracterizar os dados. No entanto, se por um lado aplicações do tipo agrupamento de dados e visualização de dados têm sido muito estudadas; por outro lado, aplicações que envolvem a presença de classes nos dados, como classificação, não têm tido a mesma atenção na literatura. Tendo em vista as vantagens do uso de grafos na representação de dados e no sucesso deste tipo de abordagem em aplicações relacionadas, mas que dispensam o uso de rótulos de classe; este projeto tem como objetivo investir na pesquisa de algoritmos baseados em grafos para resolver problemas de classificação. O projeto aborda quatro frentes de pesquisa relacionadas, que se diferem (a) com relação ao tipo de dado presente na base de dados sob consideração; (b) quantidade de dados rotulados e (c) distribuição futura dos dados.