Busca avançada
Ano de início
Entree

Classificação de dados com distribuição estacionária, não estacionária e com escassez de dados rotulados por meio de abordagens baseadas em grafos

Processo: 12/00544-8
Linha de fomento:Bolsas no Brasil - Pós-Doutorado
Vigência (Início): 01 de agosto de 2012
Vigência (Término): 31 de julho de 2014
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Zhao Liang
Beneficiário:João Roberto Bertini Junior
Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Assunto(s):Aprendizado computacional   Fluxo de dados   Classificação de dados

Resumo

Técnicas de aprendizado de máquina são fundamentais na resolução de problemas relacionados à mineração de dados. Aplicações como agrupamento, classificação, visualização e recuperação de informação, não seriam viáveis de serem resolvidos considerando outra abordagem. No contexto de aprendizado de máquina, apenas recentemente métodos baseados em grafos têm sido considerados na solução de problemas relacionados à mineração de dados. Métodos baseados em grafos consistem em uma poderosa forma de representação e abstração de dados que proporcionam, dentre outras vantagens, representar relações topológicas, visualizar estruturas, representar grupos de dados com formatos distintos, bem como, fornecer medidas alternativas para caracterizar os dados. No entanto, se por um lado aplicações do tipo agrupamento de dados e visualização de dados têm sido muito estudadas; por outro lado, aplicações que envolvem a presença de classes nos dados, como classificação, não têm tido a mesma atenção na literatura. Tendo em vista as vantagens do uso de grafos na representação de dados e no sucesso deste tipo de abordagem em aplicações relacionadas, mas que dispensam o uso de rótulos de classe; este projeto tem como objetivo investir na pesquisa de algoritmos baseados em grafos para resolver problemas de classificação. O projeto aborda quatro frentes de pesquisa relacionadas, que se diferem (a) com relação ao tipo de dado presente na base de dados sob consideração; (b) quantidade de dados rotulados e (c) distribuição futura dos dados.

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)
BERTINI JUNIOR, JOAO ROBERTO; NICOLETTI, MARIA DO CARMO; ZHAO, LIANG. Attribute-based Decision Graphs: A framework for multiclass data classification. NEURAL NETWORKS, v. 85, p. 69-84, JAN 2017. Citações Web of Science: 2.

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