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.