Métodos e algoritmos em aprendizado de máquina não supervisionado e semi-supervisionado

• Processo: 13/18698-4
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de fevereiro de 2014
• Data de Término da vigência: 31 de janeiro de 2016
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Ricardo José Gabrielli Barreto Campello
• Beneficiário: Ricardo José Gabrielli Barreto Campello
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Mineração de dados
• Palavra(s)-Chave do Pesquisador: Agrupamento de Dados | Aprendizado de Máquina Não Supervisionado | Aprendizado de Máquina Semi-Supervisionado | Detecção de Outliers | Mineração de Dados | Aprendizado de Máquina e Mineração de Dados

Resumo

Este documento apresenta um projeto de pesquisa dentro da linha de auxílios regulares da Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp). O objetivo fundamental é apoiar de maneira integrada as pesquisas realizadas pelo grupo de pesquisa do proponente, pelo período de 2 anos. O grupo é essencialmente constituído pelo pesquisador responsável e seus alunos no ICMC/USP, mas o projeto envolverá também colaborações internacionais com a Universidade de Alberta no Canadá e com a Ludwig-Maximilians-Universität na Alemanha.No tocante aos temas de pesquisa, trata-se de um projeto do tipo "guarda-chuva", que compreende subprojetos a serem desenvolvidos principalmente como parte de orientações de mestrado e doutorado, diretamente sob supervisão do pesquisador no Brasil ou através das colaborações no exterior. Em linhas gerais, a proposta visa investigar métodos de aprendizado de máquina voltados a problemas de mineração de dados. As vertentes de investigação se concentram majoritariamente nos paradigmas de aprendizado não supervisionado e semi-supervisionado, com particular enfoque para as áreas de análise de agrupamento de dados e detecção de anomalias (ou outliers). No contexto de agrupamento de dados, tópicos de pesquisa de interesse incluem, dentre outros, agrupamentos dos tipos hierárquico, semi-supervisionado, paralelo e distribuído, com sobreposição, baseado em densidade, em subespaços de atributos, bi-agrupamentos e validação de agrupamento. No contexto de detecção de outliers, os tópicos de interesse incluem combinações de detectores (ensembles), validação de resultados de detecção não supervisionada e métodos computacionalmente escaláveis, dentre outros. No que se refere a domínios de aplicação, o projeto possui enfoque em ferramentas matemáticas e computacionais de propósito geral, mas parte das pesquisas poderão envolver domínios específicos, como, por exemplo, análise de dados de expressão gênica em bioinformática. (AU)

Publicações científicas

(6)

(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)

PADILHA, VICTOR A.; CAMPELLO, RICARDO J. G. B.. A systematic comparative evaluation of biclustering techniques. BMC Bioinformatics, v. 18, JAN 23 2017. (14/08840-0, 13/18698-4)

CAMPELLO, RICARDO J. G. B.; MOULAVI, DAVOUD; ZIMEK, ARTHUR; SANDER, JOERG. Hierarchical Density Estimates for Data Clustering, Visualization, and Outlier Detection. ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA, v. 10, n. 1, JUL 2015. (10/20032-6, 13/18698-4)

NALDI, M. C.; CAMPELLO, R. J. G. B.. Comparison of distributed evolutionary k-means clustering algorithms. Neurocomputing, v. 163, n. SI, p. 78-93, SEP 2 2015. (13/18698-4)

CAMPOS, GUILHERME O.; ZIMEK, ARTHUR; SANDER, JORG; CAMPELLO, RICARDO J. G. B.; MICENKOVA, BARBORA; SCHUBERT, ERICH; ASSENT, IRA; HOULE, MICHAEL E.. On the evaluation of unsupervised outlier detection: measures, datasets, and an empirical study. DATA MINING AND KNOWLEDGE DISCOVERY, v. 30, n. 4, p. 891-927, JUL 2016. (13/18698-4)

HORTA, DANILO; CAMPELLO, RICARDO J. G. B.. Comparing Hard and Overlapping Clusterings. JOURNAL OF MACHINE LEARNING RESEARCH, v. 16, p. 2949-2997, DEC 2015. (09/17469-6, 13/18698-4)

NALDI, M. C.; CAMPELLO, R. J. G. B.. Comparison of distributed evolutionary k-means clustering algorithms. Neurocomputing, v. 163, p. 16-pg., 2015-09-02. (13/18698-4)