Aprendizado supervisionado incremental em florestas de caminhos ótimos

• Processo: 14/04889-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2014
• Data de Término da vigência: 31 de julho de 2016
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Rodrigo Fernandes de Mello
• Beneficiário: Mateus Riva
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 15/24652-2 - Detecção de anomalia utilizando um algoritmo de aprendizado incremental baseado em floresta de caminhos mínimos, BE.EP.IC
• Assunto(s): Aprendizagem Reconhecimento de padrões Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Aprendizado Supervisionado | Reconhecimento de Padrões | Reconhecimento de Padrões

Resumo

A abordagem de aprendizagem incremental requer o acúmulo dinâmico da informação extraída das observações. Esse tipo de aprendizagem é importante em aplicações onde as observações não estão disponíveis para geração do classificador desde o início, sendo necessárias múltiplas execuções do algoritmo de treinamento. O classificador floresta de caminhos ótimos (OPF) vem sendo utilizado recentemente em diversas aplicações. No entanto sua versão original não conta com a possibilidade de incrementar exemplos em seu modelo já treinado. Assim, espera-se contribuir com o desenvolvimento de um algoritmo que seja capaz de incluir novos nós nas árvores de caminhos ótimos, e assim diminuir o tempo necessário para a obtenção de classificadores após a chegada de novos exemplos rotulados. Ainda, pretende-se investigar a remoção de árvores, reconstruindo o modelo de forma que melhor se ajuste à amostra de treinamento atual.