Aprendizado semi-supervisionado multi-visão

• Processo: 05/03792-9
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de janeiro de 2006
• Data de Término da vigência: 31 de outubro de 2008
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Maria Carolina Monard
• Beneficiário: Edson Takashi Matsubara
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado De Maquina | Aprendizado Multi Visao | Inteligência Artificial

Resumo

Em Aprendizado de Máquina supervisionado, os dados precisam ser apresentados juntamente com o rótulo relacionado ao conceito a ser aprendido. Entretanto, em grande parte dos problemas reais,os dados raramente estão rotulados. Além disso, mesmo que estejam rotulados, os algoritmos de aprendizado supervisionados necessitam de uma quantidade expressiva desses exemplos para a indução de um bom classificador. Atento a essa limitação, o aprendizado semi-supervisionado foi proposto para incrementar o conjunto de exemplos rotulados a partir de poucos exemplos rotulados. Este trabalho tem por objetivo incrementar o estado da arte em aprendizado semi-supervisionado por meio de três metas: pesquisar o fenômeno de degradação dos modelos gerados pelos algoritmos de aprendizado semi-supervisionados multi-visão, introduzir o conceito de meta-aprendizagem em aprendizado semi-supervisionado e pesquisar meios para a inserção de conhecimento de domínio nesses algoritmos.

Publicações científicas

(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)

MATSUBARA, EDSON T.; MONARD, MARIA C.; PRATI, RONALDO C.; BRAMER, M. On the class distribution labelling step sensitivity of CO-TRAINING. ARTIFICIAL INTELLIGENCE IN THEORY AND PRACTICE, v. 217, p. 3-pg., 2006-01-01. (05/03792-9)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

MATSUBARA, Edson Takashi. Relações entre ranking, análise ROC e calibração em aprendizado de máquina. 2008. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.