CV Lattes
GoogleMyCitations
ResearcherID
ORCID
Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. Instituto de Ciência e Tecnologia (ICT) (Instituição-sede da última proposta de pesquisa) País de origem: Brasil
Lilian Berton é Profa. Adjunto no Instituto de Ciência e Tecnologia (ICT) - Universidade Federal de São Paulo (UNIFESP). É doutora (2011/2016) e mestre (2009/2011) em Ciências da Computação e Matemática Computacional pelo Instituto de Ciências Matemáticas e de Computação - Universidade de São Paulo (ICMC - USP). Graduada em Análise de Sistemas (2004-2007) e Matemática (2005-2008) pela Universidade Estadual do Centro-Oeste (UNICENTRO). Tem experiência em aprendizado de máquina e redes complexas, principalmente nos seguintes tópicos: classificação e agrupamento de dados, aprendizado semissupervisionado baseado em grafos, construção de redes, seleção e propagação de rótulos e medidas de centralidade. As principais aplicações de seu trabalho incluem análise de redes sociais, reconhecimento de padrões em imagens e dados climáticos, processamento de textos. (Fonte: Currículo Lattes)
O aprendizado semissupervisionado (SSL) baseado em rede é um paradigma promissor para modelar o manifold no espaço multi-dimensional dos dados, além de ser efetivo na propagação de uma pequena quantidade de rótulos iniciais para uma grande quantidade de dados não rotulados. Essa abordagem tem sido utilizada em uma variedade de aplicações, como segmentação e anotação de imagens, reconhe...
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 pesquisad...
A classificação de imagens tem sido aplicada em diversos problemas reais como análise de dados remotos, reconhecimento facial, detecção de doenças, entre outros. Porém, a obtenção de dados rotulados é uma tarefa custosa, pois demanda tempo, recursos e especialistas. Ademais alguns problemas são muito específicos e apresentam uma classe minoritária. Estes cenários são desafiadores e deg...
A caracterização sistemática da dependência em múltiplas escalas é fundamental para entender a dinâmica do sistema climático e melhorar a capacidade preditiva de modelos e dados. No entanto, as estruturas de dependência no clima são complexas devido a processos geradores dinâmicos não-lineares, relacionamentos temporais espaciais, bem como variabilidade de dados. As redes complexas têm...
Com o aumento da capacidade de armazenamento computacional, existe uma grande quantidade de dados disponíveis, principalmente no formato textual. Técnicas automáticas que auxiliem na organização e extração de informações úteis têm sido desenvolvidas. Porém, o processamento de textos ainda é uma área com diversos desafios, pois além de ser interdisciplinar, envolve a manipulação de dado...
O crescimento do conteúdo on-line na Web permitiu coletar dados gerados por usuários os quais na maioria das vezes possuem rótulos com ruído ou ausentes, por exemplo, dados de tags sociais e rótulos votados pela Amazon's Mechanical Turks. Desse modo, a maioria dos métodos de aprendizado de máquina, que exigem conjuntos de rótulos precisos, não podem ser confiáveis ou terem um bom desem...
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
| Publicações | 5 |
| Citações | 4 |
| Cit./Artigo | 0,8 |
| Dados do Web of Science | |
FERREIRA, LEONARDO N.; VEGA-OLIVEROS, DIDIER A.; ZHAO, LIANG; CARDOSO, MANOEL F.; MACAU, ELBERT E. N.. Global fire season severity analysis and forecasting. Computers & Geosciences, v. 134, JAN 2020. Citações Web of Science: 1. (19/00157-3, 15/50122-0, 17/05831-9, 13/07375-0, 16/23698-1, 18/01722-3, 18/03211-6)
BERTON, LILIAN; FALEIROS, THIAGO DE PAULO; VALEJO, ALAN; VALVERDE-REBAZA, JORGE; LOPES, ALNEU DE ANDRADE. RGCLI: Robust Graph that Considers Labeled Instances for Semi Supervised Learning. Neurocomputing, v. 226, p. 238-248, FEB 22 2017. Citações Web of Science: 3. (11/23689-9, 11/21880-3, 13/12191-5, 15/14228-9)
VEGA-OLIVEROS, DIDIER A.; ZHAO, LIANG; BERTON, LILIAN. Evaluating link prediction by diffusion processes in dynamic networks. SCIENTIFIC REPORTS, v. 9, JUL 25 2019. Citações Web of Science: 0. (18/24260-5, 13/07375-0, 18/01722-3, 16/23698-1, 15/50122-0)
DE CASTRO SANTOS, MATHEUS A.; VEGA-OLIVEROS, DIDIER A.; ZHAO, LIANG; BERTON, LILIAN. Classifying El Ni & x00F1;o-Southern Oscillation Combining Network Science and Machine Learning. IEEE ACCESS, v. 8, p. 55711-55723, 2020. Citações Web of Science: 0. (18/01722-3, 18/24260-5, 16/23698-1, 15/50122-0, 18/04029-7)
VEGA-OLIVERO, DIDIER A.; GOMES, PEDRO SPOLJARIC; MILIOS, EVANGELOS E.; BERTON, LILIAN. A multi-centrality index for graph-based keyword extraction. INFORMATION PROCESSING & MANAGEMENT, v. 56, n. 6, NOV 2019. Citações Web of Science: 0. (18/01722-3, 18/24260-5, 16/23698-1, 15/50122-0)
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
BERTON, Lilian. Caracterização de classes e detecção de outliers em redes complexa. Dissertação (Mestrado) - Instituto de Ciências Matemáticas e de Computação. Universidade de São Paulo (USP). São Carlos. (09/02985-9)
BERTON, Lilian. Construção de redes baseadas em vizinhança para o aprendizado semissupervisionado. Tese (Doutorado) - Instituto de Ciências Matemáticas e de Computação. Universidade de São Paulo (USP). São Carlos. (11/21880-3)