Classificação de dados de alto nível baseada em redes complexas com aplicações em reconhecimento invariante de padrões

• Processo: 13/25876-6
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de abril de 2014
• Data de Término da vigência: 31 de março de 2018
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Zhao Liang
• Beneficiário: Filipe Alves Neto Verri
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 15/18456-6 - Dinâmica de arestas em redes complexas para classificação de dados, BE.EP.DD
• Assunto(s): Aprendizado computacional Classificação de dados Redes complexas Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: Classificação de alto nível | Classificação de Dados | reconhecimento invariante de padrões | Redes Complexas | Aprendizado de Máquina

Resumo

Redes complexas surgiram como um tópico unificador de sistemas complexos e como uma poderosa ferramenta de representação e abstração de dados, uma vez que são capazes de capturar relações espaciais, topológicas e funcionais entre os dados. Classificação de dados é uma tarefa de aprendizado de máquina da categoria de aprendizado supervisionado. As técnicas tradicionais de classificação consideram apenas atributos físicos dos dados de entrada, por exemplo distância, similaridade e densidade. Tais técnicas são chamadas de técnicas de classificação de baixo nível. No entanto, em casos reais, os itens de dados não são pontos isolados no espaço de atributos, pois tendem a formar certos padrões. A classificação de dados que considera, além dos atributos físicos, a formação de padrões é referenciada como classificação de alto nível. Neste projeto, objetiva-se desenvolver técnicas de classificação de alto nível baseadas em processos dinâmicos em redes complexas. Como a classificação de alto nível é capaz de identificar a relação entre os padrões armazenados e, consequentemente, extrair a formação dos padrões, esta é adequada para tarefas de reconhecimento invariante de padrões. Por esta razão, as técnicas desenvolvidas serão aplicadas em reconhecimento de faces e reconhecimento de letras e dígitos manuscritos. Espera-se que os métodos desenvolvidos possam reconhecer imagens com considerável nível de variação, por exemplo variação linear, iluminação e ruídos, sem necessidade de tratamentos específicos para cada tipo de variação. (AU)

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)

NETO VERRI, FILIPE ALVES; URIO, PAULO ROBERTO; ZHAO, LIANG. Network Unfolding Map by Vertex-Edge Dynamics Modeling. IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, v. 29, n. 2, p. 405-418, FEB 2018. (13/07375-0, 13/25876-6, 15/18456-6, 11/50151-0)

NETO VERRI, FILIPE ALVES; GUELERI, ROBERTO ALVES; ZHENG, QIUSHENG; ZHANG, JUNBAO; ZHAO, LIANG. Network community detection via iterative edge removal in a flocking-like system. European Physical Journal-Special Topics, JUN 2021. (15/50122-0, 19/07665-4, 13/08666-8, 13/25876-6)

NETO VERRI, FILIPE ALVES; GUELERI, ROBERTO ALVES; ZHENG, QIUSHENG; ZHANG, JUNBAO; ZHAO, LIANG. Network community detection via iterative edge removal in a flocking-like system. European Physical Journal-Special Topics, v. 230, n. 14-15, p. 2843-2855, OCT 2021. (13/08666-8, 19/07665-4, 15/50122-0, 13/25876-6)

Publicações acadêmicas

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

VERRI, Filipe Alves Neto. Dinâmica coletiva em redes complexas para aprendizado de máquina. 2018. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.