Representações profundas multi-domínio para análise de publicações em redes sociais

• Processo: 21/03830-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2021
• Data de Término da vigência: 31 de maio de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: Guilherme Amaral Hiromoto
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 19/07316-0 - Teoria de singularidades e aplicações a geometria diferencial, equações diferenciais e visão computacional, AP.TEM
• Assunto(s): Redes neurais convolucionais Aprendizagem profunda Visão computacional Mídias sociais Publicações Reconhecimento de padrões Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Aprendizado profundo | Representação multi-domínio | Visão Computacional

Resumo

Com a enorme quantidade de dados que circulam em redes sociais, as relações entre conteúdo de publicações (contexto) e as hashtags utilizadas como forma de engajamento em múltiplos âmbitos sociais se tornam cada vez mais relevantes. Tais interações podem ser modeladas a partir das relações que envolvem dados das postagens e hashtags que são gerados a partir de técnicas de aprendizado de representações conjuntas: envolvendo dados textuais e visuais, num formato de domínio redes neurais s cruzados vetorial e geométrico, que possibilitam uma análise de correlação e reconhecimento de padrões. Nesse projeto serão investigados métodos para aprender representações abstratas a partir de conjuntos de dados e relacioná-los com outros conjuntos de domínios distintos, porém com semântica similar. Serão considerados métodos de aprendizado de características, em particular redes neurais convolucionais, redes neurais convolucionais em grafos e word embedding e exploradas arquiteturas capazes de realizar o casamento entre as representações aprendidas. Além disso, cada solução será estudada do ponto de vista das suas garantias de aprendizado. (AU)