Projeto de algoritmos baseados em florestas de posets para o problema de otimização U-curve

• Processo: 16/25959-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de maio de 2017
• Vigência (Término): 31 de dezembro de 2017
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Marcelo da Silva Reis
• Beneficiário: Gustavo Estrela de Matos
• Instituição Sede: Instituto Butantan. Secretaria da Saúde (São Paulo - Estado). São Paulo , SP, Brasil
• Vinculado ao auxílio: 13/07467-1 - CeTICS - Centro de Toxinas, Imuno-Resposta e Sinalização Celular, AP.CEPID
• Assunto(s): Aprendizado computacional Otimização combinatória Biologia de sistemas
• Palavra(s)-Chave do Pesquisador: Aprendizado Computacional | Otimização Combinatória | Poset | Problema U-curve | Robdd | Seleção de Características | Otimização

Resumo

O problema U-curve é uma formulação de um problema de otimização que pode ser utilizado na etapa de seleção de características em Aprendizado de Máquina, com aplicações em desenho de modelos computacionais de sistemas biológicos. Não obstante, soluções propostas até o presente momento para atacar esse problema têm limitações do ponto de vista de consumo de tempo computacional e/ou de memória, o que implica na necessidade do desenvolvimento de novos algoritmos. Nesse sentido, em 2012 foi proposto o algoritmo Poset-Forest-Search (PFS), que organiza o espaço de busca em florestas de posets. Esse algoritmo foi implementado e testado, com resultados promissores; todavia, novos melhoramentos são necessários para que o PFS se torne uma alternativa competitiva para resolver o problema U-curve. Neste projeto propomos a construção de uma versão paralelizada e escalável do algoritmo PFS, utilizando diagramas de decisão binária reduzidos e ordenados. Além disso, propomos adaptar o PFS como um algoritmo de aproximação, no qual o critério de aproximação da solução ótima faça uso do teorema da navalha de Ockham. Os algoritmos desenvolvidos serão implementados e testados em instâncias artificiais e também em conjuntos de dados próprios para experimentos comparativos entre diferentes algoritmos de seleção de características. (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)

ESTRELA, GUSTAVO; GUBITOSO, MARCO DIMAS; FERREIRA, CARLOS EDUARDO; BARRERA, JUNIOR; REIS, MARCELO S.. An Efficient, Parallelized Algorithm for Optimal Conditional Entropy-Based Feature Selection. Entropy, v. 22, n. 4, APR 2020. (16/25959-7, 13/07467-1, 15/01587-0)

REIS, MARCELO S.; ESTRELA, GUSTAVO; FERREIRA, CARLOS EDUARDO; BARRERA, JUNIOR. featsel: A framework for benchmarking of feature selection algorithms and cost functions. SOFTWAREX, v. 6, p. 193-197, 2017. (13/03447-6, 15/01587-0, 16/25959-7, 13/07467-1)