Rótulos imprecisos em Aprendizado de Máquina: Medidas de avaliação e algoritmos de aprendizado de máquina

• Processo: 15/20606-6
• Linha de fomento: Bolsas no Exterior - Pesquisa
• Vigência (Início): 01 de abril de 2016
• Vigência (Término): 31 de março de 2017
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Ronaldo Cristiano Prati
• Beneficiário: Ronaldo Cristiano Prati
• Anfitrião: Francisco Herrera
• Instituição-sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Local de pesquisa : Universidad de Granada (UGR), Espanha
• Assunto(s): Aprendizado computacional Ruído Inteligência artificial Mineração de dados

Resumo

Aprendizado de Máquina supervisionado tem como objetivo construir automaticamente um modelo de classificação a partir de um conjunto de exemplos rotulados. No entanto, nem sempre existem conjuntos de dados rotulados com boa qualidade, um problema conhecido como ruído de rótulo. Esse ruído pode causar diversos problemas para algoritmos de Aprendizado de Máquina (AM). Apesar de existirem trabalhos que estudam a influência do ruído na geração de modelos, existem poucos estudos referentes à avaliação de modelos na presença de rótulos ruidosos. Esse é um problema importante a ser estudado, uma vez que AM requer validação empírica, o que pode levar a conclusões errôneas na comparação de algoritmos nesse cenário. Este projeto de pesquisa pretende investigar essa lacuna, desenvolvendo um estudo sistemático sobre a influência de certos padrões de vício em conjuntos de teste na avaliação de algoritmos de aprendizado.

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)

FARIAS, DELIA IRAZU HERNANDEZ; PRALI, RONALDO; HERRERA, FRANCISCO; ROSSO, PAOLO. Irony detection in Twitter with imbalanced class distributions. JOURNAL OF INTELLIGENT & FUZZY SYSTEMS, v. 39, n. 2, p. 2147-2163, 2020. Citações Web of Science: 0.

PRATI, RONALDO C.; LUENGO, JULIAN; HERRERA, FRANCISCO. Emerging topics and challenges of learning from noisy data in nonstandard classification: a survey beyond binary class noise. KNOWLEDGE AND INFORMATION SYSTEMS, v. 60, n. 1, p. 63-97, JUL 2019. Citações Web of Science: 0.