Abordagens para aprendizado semissupervisionado multirrótulo e hierárquico (2011)
- Authors:
- Autor USP: METZ, JEAN - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: APRENDIZADO COMPUTACIONAL; MINERAÇÃO DE DADOS; PROCESSAMENTO DE TEXTO; PROGRAMAÇÃO HIERÁRQUICA
- Keywords: Active learning; Aprendizado ativo; Aprendizado semissupervisionado; Classificação hierárquica; Classificação multirrótulo; Hierarchical classification; Multi-label classification; Semi-supervised learning
- Language: Português
- Abstract: A tarefa de classificação em Aprendizado de Máquina consiste da criação de modelos computacionais capazes de identificar automaticamente a classe de objetos pertencentes a um domínio pré-definido a partir de um conjunto de exemplos cuja classe é conhecida. Existem alguns cenários de classificação nos quais cada objeto pode estar associado não somente a uma classe, mas a várias classes ao mesmo tempo. Adicionalmente, nesses cenários denominados multirrótulo, as classes podem ser organizadas em uma taxonomia que representa as relações de generalização e especialização entre as diferentes classes, definindo uma hierarquia de classes, o que torna a tarefa de classificação ainda mais específica, denominada classificação hierárquica. Os métodos utilizados para a construção desses modelos de classificação são complexos e dependem fortemente da disponibilidade de uma quantidade expressiva de exemplos previamente classificados. Entretanto, para muitas aplicações é difícil encontrar um número significativo desses exemplos. Além disso, com poucos exemplos, os algoritmos de aprendizado supervisionado não são capazes de construir modelos de classificação eficazes. Nesses casos, é possível utilizar métodos de aprendizado semissupervisionado, cujo objetivo é aprender as classes do domínio utilizando poucos exemplos conhecidos conjuntamente com um número considerável de exemplos sem a classe especificada. Neste trabalho são propostos, entre outros, métodos que fazem uso do aprendizadosemissupervisionado baseado em desacordo coperspectiva, tanto para a tarefa de classificação multirrótulo plana quanto para a tarefa de classificação hierárquica. São propostos, também, outros métodos que utilizam o aprendizado ativo com intuito de melhorar a performance de algoritmos de classificação semissupervisionada. Além disso, são propostos dois métodos para avaliação de algoritmos multirrótulo e hierárquico, os quais definem estratégias para identificação dos multirrótulos majoritários, que são utilizados para calcular os valores baseline das medidas de avaliação. Foi desenvolvido um framework para realizar a avaliação experimental da classificação hierárquica, no qual foram implementados os métodos propostos e um módulo completo para realizar a avaliação experimental de algoritmos hierárquicos. Os métodos propostos foram avaliados e comparados empiricamente, considerando conjuntos de dados de diversos domínios. A partir da análise dos resultados observa-se que os métodos baseados em desacordo não são eficazes para tarefas de classificação complexas como multirrótulo e hierárquica. Também é observado que o problema central de degradação do modelo dos algoritmos semissupervisionados agrava-se nos casos de classificação multirrótulo e hierárquica, pois, nesses casos, há um incremento nos fatores responsáveis pela degradação nos modelos construídos utilizando aprendizado semissupervisionado baseado em desacordo coperspectiva
- Imprenta:
- Publisher place: São Carlos
- Date published: 2011
- Data da defesa: 25.10.2011
-
ABNT
METZ, Jean. Abordagens para aprendizado semissupervisionado multirrótulo e hierárquico. 2011. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2011. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-13012012-144607/. Acesso em: 12 jan. 2026. -
APA
Metz, J. (2011). Abordagens para aprendizado semissupervisionado multirrótulo e hierárquico (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-13012012-144607/ -
NLM
Metz J. Abordagens para aprendizado semissupervisionado multirrótulo e hierárquico [Internet]. 2011 ;[citado 2026 jan. 12 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-13012012-144607/ -
Vancouver
Metz J. Abordagens para aprendizado semissupervisionado multirrótulo e hierárquico [Internet]. 2011 ;[citado 2026 jan. 12 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-13012012-144607/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
