Seleção de Atributos para Aprendizado Multirrótulo

• Processo: 11/02393-4
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de maio de 2011
• Data de Término da vigência: 31 de julho de 2014
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Maria Carolina Monard
• Beneficiário: Newton Spolaôr
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 12/23906-2 - Seleção de atributos para aprendizado multirrótulo, BE.EP.DR
• Assunto(s): Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina Multirrótulo | Medidas de Importância de Atributos | Seleção de Atributos | Inteligência Artificial

Resumo

A ocorrência de atributos não-importantes em Bases de Dados pode prejudicar o desempenho de processos computacionais de extração de conhecimento, o que motiva a aplicação da tarefa de Seleção de Atributos. Essa tarefa pode ser realizada com auxílio de meta-heurísticas mono ou multi-objetivo, de modo a obter ou aproximar subconjuntos de atributos importantes. As meta-heurísticas multi-objetivo, especificamente, permitem identificar subconjuntos de atributos significativos que representam compromissos entre distintas medidas de importância dos atributos. Na literatura existem diversos métodos consolidados para realizar a Seleção de Atributos em Bases de Dados com um atributo-classe mono-valorado. Entretanto, alguns domínios apresentam múltiplos valores para esse atributo, constituindo problemas multirrótulo. A aplicação da Seleção de Atributos nesses problemas é relativamente recente, desafiadora e, em vários casos, não analisa a dependência entre os multiplos rótulos. Essa análise vem se tornando comum na pesquisa em aprendizado multirrótulo porque pode melhorar o desempenho da tarefa de classificação.Este projeto tem como objetivo projetar e desenvolver algoritmos de Seleção de Atributos baseados em meta-heurísticas mono e multi-objetivo e em medidas de importância, preferencialmente da abordagem filtro, que reflitam a análise da relação entre rótulos. A hipótese levantada é de que essa análise pode contribuir para se obter um bom desempenho na classificação multirrótulo após a Seleção de Atributos.

Publicações científicas

(10)

(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)

SPOLAOR, NEWTON; MONARD, MARIA CAROLINA; TSOUMAKAS, GRIGORIOS; LEE, HUEI DIANA. A systematic review of multi-label feature selection and a new method based on label construction. Neurocomputing, v. 180, n. SI, p. 3-15, MAR 5 2016. (11/02393-4)

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)

SPOLAOR, NEWTON; MONARD, MARIA CAROLINA; TSOUMAKAS, GRIGORIOS; LEE, HUEI DIANA. A systematic review of multi-label feature selection and a new method based on label construction. Neurocomputing, v. 180, p. 13-pg., 2016-03-05. (11/02393-4)

SPOLAOR, NEWTON; LEE, HUEI DIANA; RESENDE TAKAKI, WEBER SHOITY; WU, FENG CHUNG. Feature Selection for Multi-label Learning: A Systematic Literature Review and Some Experimental Evaluations. INTERNATIONAL JOURNAL OF COMPUTATIONAL INTELLIGENCE SYSTEMS, v. 8, p. 13-pg., 2015-12-11. (11/02393-4)

SPOLAOR, NEWTON; LEE, HUEI DIANA; RESENDE TAKAKI, WEBER SHOITY; WU, FENG CHUNG. Feature Selection for Multi-label Learning: A Systematic Literature Review and Some Experimental Evaluations. INTERNATIONAL JOURNAL OF COMPUTATIONAL INTELLIGENCE SYSTEMS, v. 8, n. 2, SI, p. 3-15, DEC 11 2015. (11/02393-4)

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)

SPOLAOR, NEWTON; BENITTI, FABIANE B. VAVASSORI. Robotics applications grounded in learning theories on tertiary education: A systematic review. COMPUTERS & EDUCATION, v. 112, p. 97-107, SEP 2017. (11/02393-4)

SPOLAOR, NEWTON; MONARD, MARIA CAROLINA; LEE, HUEI DIANA; YANG, Q; WOOLDRIDGE, M. Feature Selection for Multi-Label Learning. PROCEEDINGS OF THE TWENTY-FOURTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IJCAI), v. N/A, p. 2-pg., 2015-01-01. (11/02393-4)

Publicações acadêmicas

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

SPOLAÔR, Newton. Seleção de atributos para aprendizagem multirrótulo. 2014. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.