Busca avançada
Ano de início
Entree

Processos dinâmicos em aprendizado de máquina baseados em redes complexas

Processo: 16/23698-1
Linha de fomento:Bolsas no Brasil - Pós-Doutorado
Vigência (Início): 01 de julho de 2017
Situação:Interrompido
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Pesquisador responsável:Zhao Liang
Beneficiário:Didier Augusto Vega Oliveros
Instituição-sede: Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
Vinculado ao auxílio:15/50122-0 - Fenômenos dinâmicos em redes complexas: fundamentos e aplicações, AP.TEM
Bolsa(s) vinculada(s):18/24260-5 - Análise de dados espaço-temporais baseado em redes complexas, BE.EP.PD
Assunto(s):Aprendizado computacional   Redes complexas

Resumo

Processos de propagação são ubíquos em muitos sistemas complexos baseados em redes. A propagação de uma epidemia, um rótulo ou informação compartilham características semelhantes e dependem profundamente da organização da rede. As redes complexas possuem natureza heterogênea, onde alguns vértices são mais influentes que outros e existem diferentes tipos de vértices conectados entre si. Desse modo, entender como a estrutura da rede impacta nas dinâmicas e também como inferir a estrutura a partir dessas dinâmicas é de suma importância para a área. Neste projeto, objetivamos desenvolver métodos para aprimorar as tarefas dos processos dinâmicos de aprendizado de máquina em redes complexas, analisando o impacto que a rede exerce sobre elas. Vamos analisar quais os vértices mais influentes na tarefa de propagação de rótulos e quais podem ser recomendados para serem rotulados de modo a maximizar os resultados do processo. Também, desenvolveremos métodos para detectar a estrutura de comunidades da rede a partir das dinâmicas de propagação. Por último, mediante o uso de redes multicamadas, desenvolveremos um método de seleção de atributos próprio para redes. As análises serão conduzidas considerando a teoria de redes complexas e aprendizado de máquina, usando bases de dados artificiais e reais, avaliando com os métodos da literatura e aplicando em possíveis problemas reais.

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)
ANGHINONI, LEANDRO; ZHAO, LIANG; JI, DONGHONG; PAN, HENG. Time series trend detection and forecasting using complex network topology analysis. NEURAL NETWORKS, v. 117, p. 295-306, SEP 2019. Citações Web of Science: 0.
VEGA-OLIVEROS, DIDIER A.; ZHAO, LIANG; BERTON, LILIAN. Evaluating link prediction by diffusion processes in dynamic networks. SCIENTIFIC REPORTS, v. 9, JUL 25 2019. Citações Web of Science: 0.
VEGA-OLIVEROS, DIDIER A.; MENDEZ-BERMULEZ, J. A.; RODRIGUES, FRANCISCO A. Multifractality in random networks with power-law decaying bond strengths. Physical Review E, v. 99, n. 4 APR 10 2019. Citações Web of Science: 1.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.