Machine learning in complex networks: modeling, analysis, and applications (2012)
- Authors:
- Autor USP: SILVA, THIAGO CHRISTIANO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: APRENDIZADO COMPUTACIONAL (MODELAGEM;ANÁLISE;APLICAÇÕES); REDES COMPLEXAS; REDES DE COMPUTADORES; SISTEMAS HÍBRIDOS
- Keywords: Aprendizado competitivo; Aprendizado não supervisionado; Aprendizado semissupervisionado; Aprendizado supervisionado Agrupamento de dados; Caminhadas aleatórias; Classificação de dados; Classificação em alto nível; Competição de partículas; Competitive learning; Complex networks; Data classification; Data clustering; High level classification; Particle competition; Random walks; Redes complexas; Semisupervised learning; Supervised learning; Unsupervised learning
- Language: Inglês
- Abstract: Aprendizado de máquina figura-se como uma área de pesquisa que visa a desenvolver métodos computacionais capazes de aprender com a experiência. Embora uma grande quantidade de técnicas de aprendizado de máquina foi proposta e aplicada, com sucesso, em sistemas reais, existem ainda inúmeros problemas desafiantes que necessitam ser explorados. Nos últimos anos, um crescente interesse em técnicas baseadas em redes complexas (grafos de larga escala com padrões de conexão não triviais) foi verificado. Essa emergência é explicada pelas inerentes vantagens que a representação em redes complexas traz, sendo capazes de capturar as relações espaciais, topológicas e funcionais dos dados. Nesta tese, serão investigadas as possíveis vantagens oferecidas por redes complexas quando utilizadas no domínio de aprendizado de máquina. De fato, será mostrado que a abordagem por redes realmente proporciona melhorias nos aprendizados supervisionado, semissupervisionado e não supervisionado. Especificamente, será reformulada uma técnica de competição de partículas para o aprendizado não supervisionado e semissupervisionado por meio da utilização de um sistema dinâmico estocástico não linear. Em complemento, uma análise analítica de tal modelo será desenvolvida, permitindo o entendimento evolucional do modelo no tempo. Além disso, a questão de confiabilidade de dados será investigada no aprendizado semissupervisionado. Tal tópico tem importância prática e é pouco estudado na literatura. Com oobjetivo de validar essas técnicas em problemas reais, simulações computacionais em bases de dados consagradas pela literatura serão conduzidas. Ainda nesse trabalho, será proposta uma técnica híbrica de classificação supervisionada que combina tanto o aprendizado de baixo como de alto nível. O termo de baixo nível pode ser implementado por qualquer técnica de classificação tradicional, enquanto que o termo de alto nível é realizado pela extração das características de uma rede construída a partir dos dados de entrada. Nesse contexto, aquele classifica as instâncias de teste segundo qualidades físicas, enquanto que esse estima a conformidade da instância de teste com a formação de padrões dos dados. Os estudos aqui desenvolvidos mostram que o método proposto pode melhorar o desempenho de técnicas tradicionais de classificação, além de permitir uma classificação de acordo com o significado semântico dos dados. Enfim, acredita-se que este estudo possa gerar contribuições relevantes para a área de aprendizado de máquina
- Imprenta:
- Publisher place: São Carlos
- Date published: 2012
- Data da defesa: 13.12.2012
-
ABNT
SILVA, Thiago Christiano. Machine learning in complex networks: modeling, analysis, and applications. 2012. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2012. Disponível em: https://teses.usp.br/teses/disponiveis/55/55134/tde-19042013-104641/. Acesso em: 11 abr. 2026. -
APA
Silva, T. C. (2012). Machine learning in complex networks: modeling, analysis, and applications (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/55/55134/tde-19042013-104641/ -
NLM
Silva TC. Machine learning in complex networks: modeling, analysis, and applications [Internet]. 2012 ;[citado 2026 abr. 11 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-19042013-104641/ -
Vancouver
Silva TC. Machine learning in complex networks: modeling, analysis, and applications [Internet]. 2012 ;[citado 2026 abr. 11 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-19042013-104641/ - Internet access in recessionary periods: the case of Brazil
- Fiscal risk and financial fragility
- Traffic campaigns and overconfidence: an experimental approach
- Analysis of the effectiveness of public health measures on COVID-19 transmission
- Machine learning in complex networks
- Financial literacy and the perceived value of stress testing: an experiment using students in Brazil
- Overconfidence and the 2D:4D ratio
- Comparing the impact of subfields in scientific journals
- Time series pattern identification by hierarchical community detection
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
