Detecção de Comunidades Sobrepostas utilizando Modelos Inspirados pela Natureza

• Processo: 12/05783-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2012
• Data de Término da vigência: 31 de março de 2013
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Fabricio Aparecido Breve
• Beneficiário: Ivan Scaranello Cartolano
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Vinculado ao auxílio: 11/17396-9 - Aprendizado de máquina utilizando modelos inspirados pela natureza, AP.JP
• Assunto(s): Inteligência computacional Aprendizado computacional Aprendizado semissupervisionado
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado Semi-supervisionado | detecção de comunidades | Inteligência Computacional

Resumo

A detecção de comunidades é um dos problemas de mineração de dados que surgiram com os avanços na computação e com o interesse crescente em redes complexas, que estuda redes de larga escala com estruturas topológicas não triviais, como redes sociais, redes de computadores, redes de telecomunicação, redes de transporte, e redes biológicas. Muitas destas redes são naturalmente divididas em comunidades ou módulos e, portanto, descobrir a estrutura destas comunidades se tornou um tópico de estudo importante. Na prática, há casos comuns onde alguns nós em uma rede podem pertencer a mais de uma comunidade. Por exemplo: em redes sociais de amizade, indivíduos podem estar em várias comunidades: suas famílias, seus colegas de trabalho, seus colegas de classe, etc. Estes nós são freqüentemente chamados de nós sobrepostos, e a maioria dos algoritmos de detecção de comunidades conhecidos não podem detectá-los. O objetivo deste trabalho é criar e/ou adaptar modelos inspirados na natureza para tratar o problema de detecção de comunidades sobrepostas e outras aplicações que se beneficiem das saídas contínuas fornecidas por este tipo de algoritmo, das quais podem ser derivadas medidas como grau de pertinência e grau de confiança no rótulo fornecido, diferentemente de modelos de aprendizado supervisionado e semi-supervisionado tradicionais que fornecem apenas um rótulo discreto, sem maiores informações.