Desenvolvimento de técnicas de aprendizado semissupervisionado via sistemas dinâmicos coletivos

Resumo

O aprendizado de máquina consiste de conceitos e técnicas que permitem aos computadores melhorar seu desempenho com a experiência, ou, em outras palavras, "aprender" com dados. Uma das principais categorias do aprendizado de máquina é o aprendizado semissupervisionado, que consiste na classificação de dados em bases parcialmente rotuladas. Embora muito estudado, trata-se de um campo repleto de desafios e com muitos tópicos abertos. Sistemas dinâmicos coletivos, por sua vez, são sistemas constituídos por muitos indivíduos, cada qual um sistema dinâmico por si só, de modo que todos eles agem coletivamente, ou seja, a ação de cada indivíduo é influenciada pela ação dos vizinhos. Uma característica notável desses sistemas é que padrões globais podem surgir espontaneamente das interações locais entre os indivíduos, fenômeno conhecido como "emergência". Os desafios intrínsecos e a relevância do tema vêm motivando sua pesquisa em diversos ramos da ciência e da engenharia. Ao mesmo tempo, técnicas baseadas em sistemas dinâmicos coletivos já vêm sendo empregadas em tarefas do aprendizado de máquina, mostrando-se promissoras e ganhando bastante atenção. Neste projeto de pesquisa, objetiva-se desenvolver e analisar modelos dinâmicos coletivos para o aprendizado semissupervisionado. Em especial, propõe-se trabalhar modelos onde a movimentação de cada objeto é determinada pela localização e pela velocidade dos objetos vizinhos. Enquanto a localização captura a geometria presente nos dados, a velocidade permite a formação de padrões diversos durante a absorção dos dados não-rotulados pelos rotulados. Propõe-se, pois, combinar o modelo de localização com o modelo de velocidade, aproveitando as vantagens de cada um. Espera-se que o sistema dinâmico coletivo assim modelado convirja a um estado de equilíbrio em que o padrão formado pelos dados corresponda ao resultado da propagação de rótulos --- tarefa do aprendizado semissupervisionado. E até onde conhecemos, a combinação desses dois modelos --- localização e velocidade --- representa um estudo inédito em aprendizado de máquina. Objetiva-se, também, realizar análise teórica e simulações numéricas sobre os modelos computacionais desenvolvidos, atividades que vêm sendo bastante exigidas, dado o estado da arte. Devido ao seu caráter dinâmico, espera-se que os modelos aqui desenvolvidos sejam robustos e capazes de descrever não só o resultado da propagação de rótulos, mas também o processo de propagação. Nesse processo, as informações geradas --- valores das variáveis do sistema --- são ricas e podem, além da propagação de rótulos, revelar características para realizar "soft labeling", determinar classes sobrepostas, e até evitar a propagação de rótulos errados.