Busca avançada
Ano de início
Entree

Otimização da seleção de rótulos no aprendizado semissupervisionado via aprendizado ativo

Processo: 20/09932-7
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
Pesquisador responsável:Lilian Berton
Beneficiário:Felipe Baz Mitsuishi
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):Aprendizado computacional   Aprendizado semissupervisionado   Inteligência computacional   Otimização   Internet das coisas
Palavra(s)-Chave do Pesquisador:Aprendizado Ativo | Aprendizado de Máquina | Aprendizado Semissupervisionado | Inteligência Computacional

Resumo

Muitos dados não rotulados estão disponíveis na Web, como documentos, imagens e vídeos; dados são capturados por sensores e satélites e pelo crescimento do uso de IoTs (internet of things). Contudo, a rotulagem desses dados pode ser custosa e envolver recursos humanos, como especialistas de uma área. Nesse contexto, o aprendizado semissupervisionado tem atraído o interesse de pesquisadores, pois emprega uma pequena quantidade de dados rotulados juntamente com uma grande quantidade de dados não rotulados. No entanto, os algoritmos existentes não otimizam o processo de seleção de dados para uma melhor rotulação. Usualmente, são selecionados alguns exemplos aleatoriamente, os quais não são representativos da distribuição subjacente dos dados. Neste trabalho, nosso objetivo é analisar e propor novos métodos para a seleção de dados rotulados no contexto semissupervisionado por meio do aprendizado ativo.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)