Mapeamento Inverso: Empregando Manipulação Interativa para Transformar Modelos Computacionais

• Processo: 15/08118-6
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de janeiro de 2016
• Data de Término da vigência: 30 de junho de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Fernando Vieira Paulovich
• Beneficiário: Gabriel Dias Cantareira
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 11/22749-8 - Desafios em visualização exploratória de dados multidimensionais: novos paradigmas, escalabilidade e aplicações, AP.TEM
• Bolsa(s) vinculada(s): 17/08817-7 - Aprendizado de Distâncias e Mapeamento Inverso de Visualizações Aplicados em Mineração de Textos, BE.EP.DR
• Assunto(s): Computação gráfica Mineração de dados Visualização de informação
• Palavra(s)-Chave do Pesquisador: mineração visual de dados | Visual anaytics | Visualização de Informação | Computação Gráfica

Resumo

Com a crescente quantidade e complexidade de conjuntos de dados armazenados por sistemas computacionais de todo tipo, explorar e extrair conhecimento de tais conjuntos vem se tornando uma tarefa cada vez mais difícil. Visando resolver este problema, técnicas baseadas em mineração de dados, aprendizado de máquina e visualização de informação adquiriram grande importância em desenvolvimentos científicos recentes. A área conhecida como Visual Analytics compreende a utilização de modelos visuais para possibilitar ao usuário aplicar seu conhecimento no processo de mineração ou aprendizado, gerando assim maior eficiência na execução de determinadas tarefas. No entanto, embora existam muitas técnicas de visualização encarregadas de transmitir informações contidas nos dados ao espaço visual, o procedimento inverso nem sempre ocorre de maneira simples, o que faz com que o processo de transmitir ideias e conhecimento do usuário de volta ao modelo computacional a partir da visualização se torne difícil. Este problema é particularmente expressivo no caso de projeções multidimensionais, que nem sempre são geradas por meio de funções que admitem uma inversa. A proposta deste projeto de doutorado consiste em estudar e desenvolver novas abordagens de visualização que apóiem o conceito de mapeamento inverso, especialmente no que diz respeito a técnicas de projeção multidimensional, com foco na utilização em visual analytics visando oferecer a um usuário informações sobre não só a equivalência dos dados exibidos em relação aos originais como também o impacto resultante de suas alterações.

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)

CANTAREIRA, GABRIEL D.; PAULOVICH, FERNANDO, V; ETEMAD, ELHAM; KERREN, A; HURTER, C; BRAZ, J. Visualizing Learning Space in Neural Network Hidden Layers. VISAPP: PROCEEDINGS OF THE 15TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS THEORY AND APPLICATIONS, VOL 4: VISAPP, v. N/A, p. 12-pg., 2020-01-01. (17/08817-7, 15/08118-6)

CANTAREIRA, GABRIEL D.; ETEMAD, ELHAM; PAULOVICH, FERNANDO V.. Exploring Neural Network Hidden Layer Activity Using Vector Fields. INFORMATION, v. 11, n. 9, p. 15-pg., 2020-09-01. (17/08817-7, 15/08118-6)

Publicações acadêmicas

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

CANTAREIRA, Gabriel Dias. Aprimorando Técnicas de Redução de Dimensionalidade para Visualização de Redes Neurais Profundas. 2020. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.