Separação não-supervisionada de sinais: um estudo sobre a aplicabilidade de redes generativas adversárias e sobre modelos não-lineares baseados na Integral de Choquet

• Processo: 20/01089-9
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Vigência: 01 de agosto de 2020 - 31 de julho de 2022
• Área do conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Leonardo Tomazeli Duarte
• Beneficiário: Leonardo Tomazeli Duarte
• Instituição Sede: Faculdade de Ciências Aplicadas (FCA). Universidade Estadual de Campinas (UNICAMP). Limeira , SP, Brasil
• Assunto(s): Processamento de sinais Separação cega de fontes Redes adversárias generativas Integral de Choquet Aprendizado computacional Aprendizado de máquina não supervisionado
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | aprendizado não-supervisionado | integral de Choquet | Processamento de Sinais | Redes generativas adversárias | Separação de sinais | Processamento de sinais

Resumo

O problema de separação cega de fontes (BSS) se trata da recuperação de um conjunto de sinais fontes a partir exclusivamente de um conjunto de misturas, ou seja, de maneira não-supervisionada. A BSS, intensamente estudada em processamento de sinais e por outras comunidades relacionadas à análise de dados, apresenta uma gama interessante de aplicações práticas, que vão desde a separação de sinais biomédicos até a extração de características para tarefas em aprendizado de máquina. Neste projeto, abordaremos um dos principais desafios da área de BSS: o caso de misturas não-lineares. Nosso objetivo central consiste no estabelecimento de métodos para novos modelos de mistura. Num primeiro momento, modelos de mistura baseados na integral de Choquet serão investigados. Uma das motivações dessa frente é que os parâmetros da integral de Choquet, quando expressos em certos domínios, permitem quantificar a contribuição de cada atributo, bem como da coalização de atributos; tal característica vai de encontro com a crescente busca por modelos não-lineares interpretáveis. Numa segunda frente, conduziremos uma investigação sobre a aplicabilidade das redes generativas adversárias (GANs) em BSS. As GANs, que vêm sendo utilizadas com sucesso em tarefas de aprendizado não-supervisionado, apresentam um grau de flexibilidade considerável, que pode ser útil em problemas de BSS. Os métodos desenvolvidos serão testados em problemas reais, provenientes de dois domínios: separação de sinais químicos e separação de imagens. Ademais, aplicaremos as propostas do trabalho na busca por representações desemaranhadas de dados, um tópico de fronteira na área de aprendizado de máquina. (AU)

Publicações científicas

(10)

(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)

PELEGRINA, GUILHERME D.; BROTTO, RENAN D. B.; DUARTE, LEONARDO T.; ATTUX, ROMIS; ROMANO, JOAO M. T.; IEEE. Analysis of Trade-offs in Fair Principal Component Analysis Based on Multi-objective Optimization. 2022 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2022-01-01. (20/09838-0, 19/20899-4, 20/01089-9, 20/10572-5, 21/11086-0)

CAMPELLO, BETANIA SILVA CARNEIRO; DUARTE, LEONARDO TOMAZELI; ROMANO, JOAO MARCOS TRAVASSOS. Dealing with multi-criteria decision analysis in time-evolving approach using a probabilistic prediction method. ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE, v. 116, p. 11-pg., 2022-10-06. (20/01089-9, 20/09838-0)

ABACKERLI, ALVARO JOSE; PELISSARI, RENATA; DUARTE, LEONARDO TOMAZELI. Validation of a Maturity Model for Applied R & D: Adding Value to Business. IEEE TRANSACTIONS ON ENGINEERING MANAGEMENT, v. N/A, p. 17-pg., 2023-06-09. (20/01089-9, 20/09838-0)

PELEGRINA, GUILHERME DEAN; DUARTE, LEONARDO TOMAZELI; GRABISCH, MICHEL; ROMANO, JOAO MARCOS TRAVASSOS. Dealing with redundancies among criteria in multicriteria decision making through independent component analysis. COMPUTERS & INDUSTRIAL ENGINEERING, v. 169, p. 19-pg., 2022-04-26. (20/01089-9, 17/23879-9, 20/09838-0, 16/21571-4)

CAMPELLO, BETANIA SILVA CARNEIRO; DUARTE, LEONARDO TOMAZELI; ROMANO, JOAO MARCOS TRAVASSOS. Exploiting temporal features in multicriteria decision analysis by means of a tensorial formulation of the TOPSIS method. COMPUTERS & INDUSTRIAL ENGINEERING, v. 175, p. 10-pg., 2022-12-21. (20/01089-9)

PELISSARI, RENATA; DUARTE, LEONARDO TOMAZELI. SMAA-Choquet-FlowSort: A novel user-preference-driven Choquet classifier applied to supplier evaluation. EXPERT SYSTEMS WITH APPLICATIONS, v. 207, p. 15-pg., 2022-07-08. (20/01089-9, 18/23447-4)

DE OLIVEIRA, HENRIQUE EVANGELISTA; DUARTE, LEONARDO TOMAZELI; TRAVASSOS ROMANO, JOAO MARCOS. Identification of the Choquet integral parameters in the interaction index domain by means of sparse modeling. EXPERT SYSTEMS WITH APPLICATIONS, v. 187, JAN 2022. (20/01089-9)

PELISSARI, RENATA; ABACKERLI, ALVARO JOSE; DUARTE, LEONARDO TOMAZELI. Choquet capacity identification for multiple criteria sorting problems: A novel proposal based on Stochastic Acceptability Multicriteria Analysis. APPLIED SOFT COMPUTING, v. 120, p. 18-pg., 2022-05-01. (20/01089-9, 20/09838-0)

MORAES, CAROLINE P. A.; SALDANHA, JULIANA; NEVES, ALINE; FANTINATO, DENIS G.; ATTUX, ROMIS; DUARTE, LEONARDO TOMAZELI; IEEE. An SOS-Based Algorithm for Source Separation in Nonlinear Mixtures. 2021 IEEE STATISTICAL SIGNAL PROCESSING WORKSHOP (SSP), v. N/A, p. 5-pg., 2021-01-01. (20/01089-9)

PELISSARI, RENATA; ALENCAR, PAULO S.; BEN AMOR, SARAH; DUARTE, LEONARDO TOMAZELI; XAVIER-JUNIOR, JC; RIOS, RA. The Use of Multiple Criteria Decision Aiding Methods in Recommender Systems: A Literature Review. INTELLIGENT SYSTEMS, PT I, v. 13653, p. 15-pg., 2022-01-01. (20/01089-9, 20/09838-0)