Ensembles de resultados de bi-agrupamento

Resumo

Um dos principais assuntos na área de aprendizado de máquina é a análise de agrupamento de dados, em que busca-se encontrar grupos que descrevam um conjunto de objetos de tal modo que as similaridades intra-grupo e a dissimilaridades inter-grupos sejam maximizadas. Em geral, tais técnicas são baseadas em medidas que levam em conta todos os atributos de uma base de dados. Entretanto, em várias situações do mundo real os grupos contidos nos dados são definidos apenas por um subconjunto de todos os atributos. Por essa razão, o paradigma de bi-agrupamento de dados busca fornecer algoritmos capazes de agrupar linhas e colunas de uma matriz de dados de maneira simultânea, com a finalidade de encontrar submatrizes homogêneas. Tal paradigma tornou-se amplamente utilizado após a sua importância no campo de análise de dados de expressão gênica ser evidenciada. Todavia, um dos principais problemas da área de bi-agrupamento advém do fato de não existir uma definição universal de quais padrões definem um bi-grupo. Devido a isso, cada algoritmo baseia-se em diferentes heurísticas, formulações matemáticas e suposições, o que implica em diferentes resultados para os mesmos dados de entrada. Portanto, o desenvolvimento de técnicas que sejam capazes de combinar as soluções de diferentes algoritmos que buscam por padrões similares e/ou do mesmo algoritmo sujeito a diferentes parâmetros experimentais pode ser um passo importante para se obter resultados mais significativos e robustos, os quais podem não ser identificados pela aplicação individual de um único algoritmo.