Aprendizado Semi-Supervisionado baseado em Competição de Particulas em Redes Complexas

• Processo: 08/09553-4
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Vigência (Início): 01 de abril de 2009
• Vigência (Término): 30 de novembro de 2009
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Zhao Liang
• Beneficiário: Marcos Gonçalves Quiles
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Inteligência artificial Aprendizado semissupervisionado Redes complexas
• Palavra(s)-Chave do Pesquisador: Aprendizado competitivo | Aprendizado Semi-supervisionado | competição de partículas | Redes Complexas | Inteligência Artificial

Resumo

O desenvolvimento de técnicas que possam "aprender" com base na observação do ambiente é um dos grandes objetivos da área de Aprendizado de Máquina. Além disso, esta habilidade pode ser vista como uma característica fundamental no desenvolvimento de técnicas inteligentes. Para a construção de classificadores, as técnicas tradicionais de aprendizado de máquina necessitam de uma grande quantidade de dados rotulados a fim de induzir um bom classificador. Estes dados rotulados são geralmente caros de serem obtidos, principalmente quando envolvem a rotulação manual por parte de um especialista. Por outro lado, a aquisição de dados não rotulados pode ser uma tarefa simples em diversos domínios. Recentemente, uma nova vertente da área de aprendizado de máquina, denominada aprendizado semi-supervisionado, tem atraído a atenção de diversos pesquisadores. Esta forma de aprendizado utiliza tanto dados rotulados como dados não rotulados na geração de classificadores. Diversos métodos de aprendizado semi-supervisionado têm sito propostos utilizando diferentes metodologias. Entretanto, nos últimos anos, as técnicas que utilizam redes para representar os dados têm recebido maior atenção. Além disso, as redes complexas surgiram como um tópico unificador de sistemas complexos e como uma poderosa ferramenta de representação e abstração de dados, sendo capazes de capturar suas relações espaciais, topológicas e funcionais. Uma característica interessante observadas em diversas redes complexas é a presença de comunidades. As comunidades podem ser definidas como grupos de vértices densamente conectados enquanto que as ligações entre comunidades são esparsas. Dada sua analogia à estrutura de clusters, diversas técnicas para detectar agrupamentos em redes complexas, denominadas técnicas de detecção de comunidades, têm sido propostas. Por outro lado, a utilização de redes complexas em tarefas de classificação de dados, mais especificamente, em aprendizado semi-supervisionado, ainda foi pouco explorada. Tendo em vista os benefícios da representação de grandes bases de dados e revelação de estruturas topológicas por meio de redes complexas, este projeto tem como objetivo o desenvolvimento de modelos de aprendizado semi-supervisionado baseados em redes complexas. Como base para o desenvolvimento destes modelos, este projeto propõe a extensão do modelo de competição de partículas para detecção de comunidades proposto por Quiles et al. (2008). Este modelo apresenta uma alta precisão na tarefa de detecção de comunidades mantendo um custo computacional baixo. Embora a extensão deste modelo como uma técnica de aprendizado semi-supervisionado não seja trivial a possibilidade de se obter modelos computacionais que apresentem: alta precisão de classificação; baixo custo computacional; capacidade de incorporar novos dados de forma dinâmica; dentre outras, atuam como grandes motivadores para o desenvolvimento desta pesquisa. Os modelos de aprendizado semi-supervisionado desenvolvidos serão testados com bases de dados sintéticas e reais. Além disso, a fim de desenvolver um estudo teórico do modelo e analisar seu comportamento dinâmico, analises de parâmetros via análise numérica, de estabilidade e análise de bifurcação serão realizadas. Por fim, com objetivo de validar o modelo em um problema real, este será aplicado como uma ferramenta de segmentação interativa de imagens.