Reconhecimento de padrões e detecção de subeventos de destaque em dados de fontes heterogêneas

• Processo: 22/13061-7
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto
• Data de Início da vigência: 20 de janeiro de 2023
• Data de Término da vigência: 31 de julho de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Anderson de Rezende Rocha
• Beneficiário: José Dorivaldo Nascimento Souza Júnior
• Supervisor: Paolo Bestagini
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: Politecnico di Milano, Itália
• Vinculado à bolsa: 20/02241-9 - Reconhecimento de padrões e detecção de subeventos de destaque em dados de fontes heterogêneas, BP.DD
• Assunto(s): Aprendizado computacional Ciências forenses Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: event highlight | machine learning | pattern discovery | Aprendizado de Máquina

Resumo

Quando um evento forense de grandes proporções acontece, imediatamente imagens relacionadas são postadas em redes sociais. Estes dados podem ser importante para uma posterior análise forense, dado que eles podem mostrar diferentes pontos de vistas de diferentes momentos do evento. Entretanto, a análise destes dados pode ser prejudicada pelo abundante número de dados irrelevantes retornados pelo procedimento de coleta, como memes e imagens de eventos anteriores. Manualmente sanitizar estes datasets é inviável, dado que eles podem contar com milhares de itens. Para lidar com este problema, nós estudamos o desenvolvimento de técnicas de inteligência artificial para acelerar o procedimento e reduzir a quantidade de trabalho humano necessária. Em detalhes, nós planejamos incluir humanos no ciclo de decisão do procedimento de aprendizado de máquina, empregando técnicas de seleção de instância e aprendizado ativo, e classificação com poucos dados anotados, tendo como ponto de partida algoritmos semi-supervisionados de diversas características, como baseados em grafos e que usam auto-treinamento. Estes dois caminhos são promissores e podem melhorar a performance de métodos para esta tarefa. (AU)