Investigação de medidas contextuais para aprendizado fracamente supervisionado baseadas em grafos

• Processo: 20/08854-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de setembro de 2020
• Data de Término da vigência: 31 de agosto de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: Microsoft Research
• Pesquisador responsável: Daniel Carlos Guimarães Pedronette
• Beneficiário: Bionda Rozin
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Empresa: Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Instituto de Geociências e Ciências Exatas (IGCE)
• Vinculado ao auxílio: 17/25908-6 - Aprendizado fracamente supervisionado para análise de vídeos no domínio comprimido em tarefas de recuperação e classificação para alertas visuais, AP.PITE
• Assunto(s): Aprendizado computacional Grafos
• Palavra(s)-Chave do Pesquisador: contextual measures | graph | weakly supervised learning | Aprendizado de Máquina

Resumo

Enquanto medidas de distância/similaridade tradicionais são baseadas em análises par-a-par, medidas contextuais consideram também as relações de similaridade da vizinhança. Recentemente, essas medidas foram exploradas com sucesso em várias tarefas de aprendizado não supervisionado, especialmente utilizando grafos. Nesse cenário, este projeto considera a hipótese de que essas medidas também podem ser aplicadas em tarefas de aprendizado fracamente supervisionadas. A ideia principal consiste em expandir pequenos conjuntos de treinamento por meio de relações de similaridade confiáveis identificadas em grafos. Desta forma, o objetivo principal é investigar se tal abordagem pode trazer ganhos de acurácia quando aplicadas a métodos de aprendizado fracamente supervisionados.

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)

ROZIN, BIONDA; PEREIRA-FERRERO, VANESSA HELENA; LOPES, LEONARDO TADEU; PEDRONETTE, DANIEL CARLOS GUIMARAES. A rank-based framework through manifold learning for improved clustering tasks. INFORMATION SCIENCES, v. 580, p. 202-220, NOV 2021. (17/25908-6, 20/02183-9, 20/08854-2, 18/15597-6)