Busca avançada
Ano de início
Entree

Investigação de medidas contextuais para aprendizado fracamente supervisionado baseadas em grafos

Processo: 20/08854-2
Linha de fomento:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de setembro de 2020
Vigência (Término): 31 de agosto de 2021
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Convênio/Acordo: 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

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.