Explorando Abordagens de Aprendizado Sequencial para Floresta de Caminhos Ótimos

• Processo: 11/14058-5
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Vigência (Início): 01 de março de 2012
• Vigência (Término): 31 de agosto de 2013
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: João Paulo Papa
• Beneficiário: Rodrigo Yuji Mizobe Nakamura
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Vinculado ao auxílio: 09/16206-1 - Novas tendências em reconhecimento de padrões baseado em floresta de caminhos ótimos, AP.JP
• Assunto(s): Aprendizado computacional Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Reconhecimento de Padrões | Reconhecimento de padrões

Resumo

Técnicas de reconhecimento de padrões tradicionais, geralmente, encontram dificuldades em lidar com problemas que requerem uma certadependência espacial e/ou temporal. Em determinadas aplicações como, por exemplo, identificação de ataques em uma rede de computadores, cada amostra da base de dados é modelada como sendo um acesso a um determinado computador. O vetor de características é criadoutilizando-se informações do pacote TCP/IP, tais como endereço de origem e destino, tamanho do pacote e permissão para executar algum processo, por exemplo. Ocorre que, muitas vezes, são necessários vários acessos à mesma máquina para ser caracterizado um determinado ataque. Dessa maneira, analisando-se cada acesso individualmente, pode não ser uma alternativa muito interessante. Nesse sentido, técnicas deaprendizado supervisionado sequenciais fazem uso dessa informação com o intuito de aumentar a eficácia das abordagens tradicionais. Dentreas inúmeras abordagens convencionais, podemos citar o classificador Floresta de Caminhos Ótimos (Optimum-Path Forest - OPF), o qual foirecentemente desenvolvido com o intuito de aliar eficiência no processo de treinamento dos dados com eficácia em sua classificação. Assim sendo, o presente trabalho de pesquisa objetiva o estudo dealgumas abordagens de aprendizado sequencial e sua implementação utilizando OPF. A originalidade da proposta consiste na implementaçãodo classificador OPF no ambiente de aprendizado supervisionado sequencial, dado que isto ainda não foi realizado até o momento.

Publicações científicas

(5)

(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)

COSTA, KELTON A. P.; PEREIRA, LUIS A. M.; NAKAMURA, RODRIGO Y. M.; PEREIRA, CLAYTON R.; PAPA, JOAO P.; FALCAO, ALEXANDRE XAVIER. A nature-inspired approach to speed up optimum-path forest clustering and its application to intrusion detection in computer networks. INFORMATION SCIENCES, v. 294, p. 95-108, FEB 10 2015. (10/02045-3, 11/14094-1, 09/16206-1, 11/14058-5, 13/20387-7)

NAKAMURA, RODRIGO Y. M.; GARCIA FONSECA, LEILA MARIA; DOS SANTOS, JEFERSSON ALEX; TORRES, RICARDO DA S.; YANG, XIN-SHE; PAPA, JOAO PAPA. Nature-Inspired Framework for Hyperspectral Band Selection. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, v. 52, n. 4, p. 2126-2137, APR 2014. (08/58528-2, 09/16206-1, 08/58112-0, 11/14058-5, 12/18768-0, 09/18438-7)

PEREIRA, LUIS A. M.; NAKAMURA, RODRIGO Y. M.; DE SOUZA, GUILHERME F. S.; MARTINS, DAGOBERTO; PAPA, JOAO P.. Aquatic weed automatic classification using machine learning techniques. COMPUTERS AND ELECTRONICS IN AGRICULTURE, v. 87, p. 56-63, SEP 2012. (10/11676-7, 11/14094-1, 10/12222-0, 11/14058-5)

PAPA, JOAO P.; NAKAMURA, RODRIGO Y. M.; DE ALBUQUERQUE, VICTOR HUGO C.; FALCAO, ALEXANDRE X.; TAVARES, JOAO MANUEL R. S.. Computer techniques towards the automatic characterization of graphite particles in metallographic images of industrial materials. EXPERT SYSTEMS WITH APPLICATIONS, v. 40, n. 2, p. 590-597, FEB 1 2013. (11/14058-5)

SAITO, PRISCILA T. M.; NAKAMURA, RODRIGO Y. M.; AMORIM, WILLIAN P.; PAPA, JOAO P.; DE REZENDE, PEDRO J.; FALCAO, ALEXANDRE X.. Choosing the Most Effective Pattern Classification Model under Learning-Time Constraint. PLoS One, v. 10, n. 6, JUN 26 2015. (14/16250-9, 11/14058-5, 13/20387-7, 07/52015-0, 12/18768-0)

Publicações acadêmicas

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

NAKAMURA, Rodrigo Yuji Mizobe. Explorando abordagens de aprendizado sequencial para floresta de caminhos ótimos. 2014. Dissertação de Mestrado - Universidade Estadual Paulista (Unesp). Instituto de Biociências Letras e Ciências Exatas. São José do Rio Preto São José do Rio Preto.