Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Network Unfolding Map by Vertex-Edge Dynamics Modeling

Texto completo
Autor(es):
Neto Verri, Filipe Alves [1] ; Urio, Paulo Roberto [1] ; Zhao, Liang [2]
Número total de Autores: 3
Afiliação do(s) autor(es):
[1] Univ Sao Paulo, Inst Math & Comp Sci, BR-13566590 Sao Carlos, SP - Brazil
[2] Univ Sao Paulo, Fac Philosophy Sci & Letters Ribeirao Preto, BR-14040901 Ribeirao Preto - Brazil
Número total de Afiliações: 2
Tipo de documento: Artigo Científico
Fonte: IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS; v. 29, n. 2, p. 405-418, FEB 2018.
Citações Web of Science: 2
Resumo

The emergence of collective dynamics in neural networks is a mechanism of the animal and human brain for information processing. In this paper, we develop a computational technique using distributed processing elements in a complex network, which are called particles, to solve semisupervised learning problems. Three actions govern the particles' dynamics: generation, walking, and absorption. Labeled vertices generate new particles that compete against rival particles for edge domination. Active particles randomly walk in the network until they are absorbed by either a rival vertex or an edge currently dominated by rival particles. The result from the model evolution consists of sets of edges arranged by the label dominance. Each set tends to form a connected subnetwork to represent a data class. Although the intrinsic dynamics of the model is a stochastic one, we prove that there exists a deterministic version with largely reduced computational complexity; specifically, with linear growth. Furthermore, the edge domination process corresponds to an unfolding map in such way that edges ``stretch{''} and ``shrink{''} according to the vertex-edge dynamics. Consequently, the unfolding effect summarizes the relevant relationships between vertices and the uncovered data classes. The proposed model captures important details of connectivity patterns over the vertex-edge dynamics evolution, in contrast to the previous approaches, which focused on only vertex or only edge dynamics. Computer simulations reveal that the new model can identify nonlinear features in both real and artificial data, including boundaries between distinct classes and overlapping structures of data. (AU)

Processo FAPESP: 11/50151-0 - Fenômenos dinâmicos em redes complexas: fundamentos e aplicações
Beneficiário:Elbert Einstein Nehrer Macau
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 13/25876-6 - Classificação de dados de alto nível baseada em redes complexas com aplicações em reconhecimento invariante de padrões
Beneficiário:Filipe Alves Neto Verri
Linha de fomento: Bolsas no Brasil - Doutorado Direto
Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
Beneficiário:José Alberto Cuminato
Linha de fomento: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
Processo FAPESP: 15/18456-6 - Dinâmica de arestas em redes complexas para classificação de dados
Beneficiário:Filipe Alves Neto Verri
Linha de fomento: Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto