| Processo: | 09/02036-7 |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado Direto |
| Data de Início da vigência: | 01 de março de 2010 |
| Data de Término da vigência: | 30 de setembro de 2013 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | Zhao Liang |
| Beneficiário: | Thiago Henrique Cupertino |
| Instituição Sede: | Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil |
| Assunto(s): | Inteligência artificial Aprendizado computacional Reconhecimento de padrões Redes complexas Sistemas dinâmicos |
| Palavra(s)-Chave do Pesquisador: | aprendizado não supervisionado | Aprendizado Semi-supervisionado | detecção de comunidades | reconhecimento invariante de padrões | reconhecimento relacional de padrões | Redes Complexas | Inteligência Artificial |
Resumo O aprendizado de máquina visa o desenvolvimento de métodos computacionais capazes de "aprender" com a experiência. Suas técnicas podem, de forma automática, gerar modelos capazes de organizar o conhecimento existente ou ainda imitar o comportamento de um especialista humano em certo grau. Outro domínio interdisciplinar com intenso desenvolvimento nos últimos anos são as redes complexas. Tais redes têm emergido recentemente como um tópico unificador em sistemas complexos e estão presentes em vários ramos da ciência. Este projeto tem como objetivo de desenvolver técnicas de aprendizado de máquina para análise de dados baseado em redes complexas e em sistemas dinâmicos. Especificamente, serão estudadas e desenvolvidas técnicas de detecção de comunidades em redes complexas baseadas em competição de partículas e em sincronização de rede de osciladores, as quais podem servir como técnicas de aprendizado não-supervisionado (clustering) com a capacidade de detecção de clusters de formas variadas e a representação hierárquica. Logo, se realizará a adaptação das técnicas desenvolvidas para a abordagem de aprendizado semi-supervisionado. Neste caso, alguns vértices da rede são rotulados, ou seja, suas classes são previamente definidas. O modelo a ser desenvolvido deverá ser capaz de propagar os rótulos para os outros vértices da rede. Finalmente, as técnicas semi-supervisionadas desenvolvidas serão aplicadas para tratar problemas de reconhecimento invariante de padrões, principalmente em casos de presença de distorções não-lineares nos padrões analisados. A idéia principal é reconhecer um padrão com certa variância através da propagação do seu rótulo até o padrão correspondente via padrões intermediários, todos representados por vértices em rede. Esta aproximação pode ser denotada como reconhecimento de padrão relacional. As redes complexas e os sistemas dinâmicos são ferramentas poderosas para muitas disciplinas da ciência, inclusive para aprendizado de máquina, e ainda existe um grande espaço para exploração. Portanto, acredita-se que a utilização de redes complexas e de sistemas dinâmicos pode oferecer uma boa contribuição para reconhecimento invariante de padrões. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |