Busca avançada
Ano de início
Entree

Explorando a dependência de rótulos no aprendizado multirrótulo

Processo: 10/15992-0
Linha de fomento:Bolsas no Brasil - Doutorado Direto
Vigência (Início): 01 de dezembro de 2010
Vigência (Término): 31 de outubro de 2013
Área do 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

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
(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. Citações Web of Science: 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. Citações Web of Science: 5.
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 São Carlos.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.