Nature-inspired optimum-path forest

Autor(es)

Sugi Afonso, Luis Claudio ^[1] ; Rodrigues, Douglas ^[1] ; Papa, Joao Paulo ^[1]

Afiliação do(s) autor(es)

^[1] UNESP Sao Paulo State Univ, Sch Sci, Bauru, SP - Brazil

• Tipo de documento: Artigo Científico
• Fonte: EVOLUTIONARY INTELLIGENCE; SEP 2021.
• Citações Web of Science: 0

Resumo

The Optimum-Path Forest (OPF) is a graph-based classifier that models pattern recognition problems as a graph partitioning task. The OPF learning process is performed in a competitive fashion where a few key samples (i.e., prototypes) try to conquer the remaining training samples to build optimum-path trees (OPT). The task of selecting prototypes is paramount to obtain high-quality OPTs, thus being of great importance to the classifier. The most used approach computes a minimum spanning tree over the training set and promotes the samples nearby the decision boundary as prototypes. Although such methodology has obtained promising results in the past year, it can be prone to overfitting. In this work, it is proposed a metaheuristic-based approach (OPFmh) for the selection of prototypes, being such a task modeled as an optimization problem whose goal is to improve accuracy. The experimental results showed the OPFmh can reduce overfitting, as well as the number of prototypes in many situations. Moreover, OPFmh achieved competitive accuracies and outperformed OPF in the experimental scenarios. (AU)

• Processo FAPESP: 17/25908-6 - Aprendizado fracamente supervisionado para análise de vídeos no domínio comprimido em tarefas de recuperação e classificação para alertas visuais
• Beneficiário: João Paulo Papa
• Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• Processo FAPESP: 18/21934-5 - Estatística de redes: teoria, métodos e aplicações
• Beneficiário: André Fujita
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
• Beneficiário: Alexandre Xavier Falcão
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
• Beneficiário: Francisco Louzada Neto
• Modalidade de apoio: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
• Processo FAPESP: 19/07665-4 - Centro de Inteligência Artificial
• Beneficiário: Fabio Gagliardi Cozman
• Modalidade de apoio: Auxílio à Pesquisa - Programa eScience e Data Science - Centros de Pesquisa em Engenharia