| Texto completo | |
| Autor(es): |
Zielinski, Kallil M. C.
;
Ribas, Lucas C.
;
Machicao, Jeaneth
;
Bruno, Odemir M.
Número total de Autores: 4
|
| Tipo de documento: | Artigo Científico |
| Fonte: | PATTERN RECOGNITION; v. 146, p. 10-pg., 2023-09-29. |
| Resumo | |
Network modeling has proven to be an efficient tool for many interdisciplinary areas, including social, biological, transportation, and various other complex real-world systems. In addition, cellular automata (CA) are a formalism that has received significant attention in recent decades as a model for investigating patterns in the dynamic spatio-temporal behavior of these systems, based on local rules. Some studies investigate the use of cellular automata to analyze the dynamic behavior of networks and refer to them as network automata (NA). Recently, it has been demonstrated that NA is effective for network classification, as it employs a Time-Evolution Pattern (TEP) for feature extraction. However, the TEPs investigated in previous studies consist of binary values (states) that do not capture the intrinsic details of the analyzed network. Therefore, in this work, we propose alternative sources of information that can be used as descriptors for the classification task, which we refer as Density Time-Evolution Pattern (D-TEP) and State Density Time-Evolution Pattern (SD-TEP). We examine the density of alive neighbors of each node, which is a continuous value, and compute feature vectors based on histograms of TEPs. Our results demonstrate significant improvement over previous studies on five synthetic network datasets, as well as seven real datasets. Our proposed method is not only a promising approach for pattern recognition in networks, but also shows considerable potential for other types of data that can be transformed into network. (AU) | |
| Processo FAPESP: | 23/04583-2 - Reconhecimento de padrões em imagens baseado em redes neurais artificiais e sistemas complexos: da extração de descritores manuais ao aprendizado automático |
| Beneficiário: | Lucas Correia Ribas |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Processo FAPESP: | 21/07289-2 - Aprendizado de representações usando redes neurais artificiais e redes complexas com aplicações em sensores e biossensores |
| Beneficiário: | Lucas Correia Ribas |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
| Processo FAPESP: | 21/08325-2 - Análise de autômato de rede (network automata) como modelo para processos naturais e biológicos |
| Beneficiário: | Odemir Martinez Bruno |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Processo FAPESP: | 20/03514-9 - Avaliação dos efeitos das áreas protegidas brasileiras nas comunidades locais com base no uso e reutilização de dados biológicos, ambientais e socioeconômicos |
| Beneficiário: | Marina Jeaneth Machicao Justo |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
| Processo FAPESP: | 22/03668-1 - Análise do Comportamento Dinâmico de Sistemas Complexos e Redes Neurais Artificiais em Visão Computacional e Inteligência Artificial |
| Beneficiário: | Kallil Miguel Caparroz Zielinski |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado |
| Processo FAPESP: | 18/22214-6 - Rumo à convergência de tecnologias: de sensores e biossensores à visualização de informação e aprendizado de máquina para análise de dados em diagnóstico clínico |
| Beneficiário: | Osvaldo Novais de Oliveira Junior |
| Modalidade de apoio: | Auxílio à Pesquisa - Temático |