Explorando a dependência de rótulos no aprendizado multirrótulo

• Processo: 10/15992-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de dezembro de 2010
• Data de Término da vigência: 31 de outubro de 2013
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Maria Carolina Monard
• Beneficiário: Everton Alvares Cherman
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 11/21723-5 - Algoritmos de aprendizado ativo para dados multirrótulo, BE.EP.DD
• Assunto(s): Inteligência artificial Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado Multirrótulo | Aprendizado Supervisionado | Dependência de Rótulos | Inteligência Artificial

Resumo

Muitos dos métodos de aprendizado supervisionado consideram que cada exemplo está associado a um único rótulo (monorrótulo). Entretanto, existem vários domínios de aplicação nos quais os exemplos estão associados a um conjunto de rótulos. Esse tipo de exemplos é denominado multirrótulo. Exemplos multirrótulos estão presentes em inúmeras aplicações. Em classificação de textos, por exemplo, um documento pode pertencer simultaneamente a mais de um tópico, como informática e agricultura. No diagnóstico médico, um paciente pode apresentar câncer ao mesmo tempo em que também apresenta diabetes. Em bioinformática, a classificação multirrótulo é aplicada na predição das funções de genes, devido ao fato de que um gene pode influenciar em mais de uma função simultaneamente. Existem diversos tópicos de interesse relacionados a problemas do aprendizado multirrótulo ainda em aberto, dentre eles, a exploração da dependência de rótulos. A dependência de rótulos é uma característica intrínseca ao problema de aprendizado multirrótulo e consiste, de maneira geral, na influência em que um rótulo exerce, direta ou indiretamente, sobre os outros rótulos. Melhores resultados de predição podem ser obtidos por meio de métodos que consideram a dependência de rótulos no processo de aprendizado. De fato, existe um número crescente de trabalhos que evidenciam essa característica, a maioria por meio de estudos empíricos. Assim, um aspecto que necessita ser investigado com maior profundidade está relacionado com os diferentes tipos de dependência de rótulos, os quais podem ser analisados, por exemplo, desde uma perspectiva estatística. Motivado por essa lacuna na área, este projeto de doutorado tem como objetivo geral contribuir para um maior entendimento do aprendizado multirrótulo, com foco na dependência de rótulo, e, assim, projetar e implementar novos algoritmos que explorem de maneira efetiva os diversos tipos de dependência de rótulos. Em outras palavras, a hipótese levantada neste trabalho é que é possível desenvolver melhores algoritmos de aprendizado multirrótulo explorando o conhecimento relacionado a dependência de rótulos. (AU)

Publicações científicas

(7)

(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)

CHERMAN, EVERTON ALVARES; PAPANIKOLAOU, YANNIS; TSOUMAKAS, GRIGORIOS; MONARD, MARIA CAROLINA. Multi-label active learning: key issues and a novel query strategy. EVOLVING SYSTEMS, v. 10, n. 1, SI, p. 63-78, MAR 2019. (11/21723-5, 10/15992-0)

CHERMAN, EVERTON ALVARES; TSOUMAKAS, GRIGORIOS; MONARD, MARIA-CAROLINA; ILIADIS, L; MAGLOGIANNIS, I. Active Learning Algorithms for Multi-label Data. ARTIFICIAL INTELLIGENCE APPLICATIONS AND INNOVATIONS, AIAI 2016, v. 475, p. 13-pg., 2016-01-01. (11/21723-5, 10/15992-0)

TOMAS, JIMENA TORRES; SPOLAOR, NEWTON; CHERMAN, EVERTON ALVARES; MONARD, MARIA CAROLINA. A Framework to Generate Synthetic Multi-label Datasets. ELECTRONIC NOTES IN THEORETICAL COMPUTER SCIENCE, v. 302, p. 22-pg., 2014-02-25. (11/12597-6, 10/15992-0, 11/02393-4)

SPOLAOR, NEWTON; CHERMAN, EVERTON ALVARES; MONARD, MARIA CAROLINA; LEE, HUEI DIANA; POZO, ATR; CAMARGO, HD; FURTADO, V; PINHEIRO, V. ReliefF for Multi-label Feature Selection. 2013 BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS), v. N/A, p. 6-pg., 2013-01-01. (11/02393-4, 10/15992-0)

CHERMAN, EVERTON ALVARES; SPOLAOR, NEWTON; VALVERDE-REBAZA, JORGE; MONARD, MARIA CAROLINA. Lazy Multi-label Learning Algorithms Based on Mutuality Strategies. JOURNAL OF INTELLIGENT & ROBOTIC SYSTEMS, v. 80, p. 16-pg., 2015-12-01. (13/12191-5, 10/15992-0, 11/02393-4, 11/22749-8)

CHERMAN, EVERTON ALVARES; PAPANIKOLAOU, YANNIS; TSOUMAKAS, GRIGORIOS; MONARD, MARIA CAROLINA. Multi-label active learning: key issues and a novel query strategy. EVOLVING SYSTEMS, v. 10, n. 1, p. 16-pg., 2019-03-01. (11/21723-5, 10/15992-0)

CHERMAN, EVERTON ALVARES; SPOLAOR, NEWTON; VALVERDE-REBAZA, JORGE; MONARD, MARIA CAROLINA. Lazy Multi-label Learning Algorithms Based on Mutuality Strategies. JOURNAL OF INTELLIGENT & ROBOTIC SYSTEMS, v. 80, n. 1, SI, p. S261-S276, DEC 2015. (11/02393-4, 11/22749-8, 13/12191-5, 10/15992-0)

Publicações acadêmicas

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

CHERMAN, Everton Alvares. Aprendizado de máquina multirrótulo: explorando a dependência de rótulos e o aprendizado ativo. 2014. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.