Seleção de atributos para aprendizado multirrótulo

• Processo: 12/23906-2
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de abril de 2013
• Data de Término da vigência: 31 de agosto de 2013
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Maria Carolina Monard
• Beneficiário: Newton Spolaôr
• Supervisor: Grigorios D. Tsoumakas
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Aristotle University of Thessaloniki (AUTh), Grécia
• Vinculado à bolsa: 11/02393-4 - Seleção de Atributos para Aprendizado Multirrótulo, BP.DR
• Palavra(s)-Chave do Pesquisador: feature selection | multi-label learning | textual data | Inteligência artificial

Resumo

Seleção de Atributos (SA) é uma tarefa importante em aprendizado de máquina, a qual pode efetivamente reduzir a dimensionalidade do conjunto de dados ao remover atributos irrelevantes e/ou redundantes. Embora muita pesquisa tenha sido realizada sobre SA em dados monorrótulo, em que várias medidas tem sido propostas para filtrar atributos irrelevantes, esse não é o caso para dados multirrótulo, nos quais cada exemplo é rotulado com um conjunto de rótulos. Neste cenário, o problema adicional de dependência de rótulo deveria ser considerado pelas medidas de importância de atributos. Neste trabalho, é proposto investigar medidas de importância de atributos que levam em conta a dependência de rótulos com o objetivo de encontrar novos métodos de SA para dados multirrótulo. (AU)