Redução no ruído dos rótulos no aprendizado semi-supervisionado baseado em grafos

• Processo: 18/15014-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Vigência (Início): 01 de março de 2019
• Vigência (Término): 31 de janeiro de 2020
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Lilian Berton
• Beneficiário: Bruno Klaus de Aquino Afonso
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
• Assunto(s): Inteligência computacional Classificação de dados Aprendizado semissupervisionado
• Palavra(s)-Chave do Pesquisador: Aprendizado Semissupervisionado | Classificação de Dados | Métodos baseados em grafos | Ruído nos rótulos | Inteligência Computacional

Resumo

O crescimento do conteúdo on-line na Web permitiu coletar dados gerados por usuários os quais na maioria das vezes possuem rótulos com ruído ou ausentes, por exemplo, dados de tags sociais e rótulos votados pela Amazon's Mechanical Turks. Desse modo, a maioria dos métodos de aprendizado de máquina, que exigem conjuntos de rótulos precisos, não podem ser confiáveis ou terem um bom desempenho. A classificação baseada em grafos atraiu grande interesse devido ao rápido aumento de aplicações envolvendo dados no formato de redes complexas com relações de dependência. Houve vários estudos sobre classificação baseada em grafos nos últimos anos, especialmente em aprendizado semissupervisionado, uma vez que ele trabalha com uma pequena quantidade de dados rotulados juntamente com uma grande quantidade de dados não rotulados. Estes métodos não são eficazes na presença de ruído (isto é, amostras erradas) ou outliers. Para aplicações baseadas em grafos, devido à complexidade de examinar e rotular as redes estruturais, é muito difícil obter um conjunto de dados completamente livre de ruído. Assim, projetos eficazes para lidar com dados ruidosos são altamente desejáveis. Neste trabalho, pretendemos propor novos métodos para lidar com ruído de rótulos no aprendizado semissupervisionado baseado em grafos, abrangendo limpeza de ruídos nos rótulos e métodos de propagação de rótulos tolerante a ruído. (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)

DE AQUINO AFONSO, BRUNO KLAUS; BERTON, LILIAN. Identifying noisy labels with a transductive semi-supervised leave-one-out filter. PATTERN RECOGNITION LETTERS, v. 140, p. 127-134, DEC 2020. (18/01722-3, 18/15014-0)

DE AQUINO AFONSO, BRUNO KLAUS; BERTON, LILIAN; ACM. Analysis of label noise in graph-based semi-supervised learning. PROCEEDINGS OF THE 35TH ANNUAL ACM SYMPOSIUM ON APPLIED COMPUTING (SAC'20), v. N/A, p. 8-pg., 2020-01-01. (18/15014-0, 18/01722-3)