Exportar registro bibliográfico

Machine learning via dynamical processes on complex networks (2013)

  • Authors:
  • Autor USP: CUPERTINO, THIAGO HENRIQUE - ICMC
  • Unidade: ICMC
  • Sigla do Departamento: SCC
  • Subjects: APRENDIZADO COMPUTACIONAL; REDES COMPLEXAS; PROBABILIDADE; COMPUTAÇÃO BIOINSPIRADA; RECONHECIMENTO DE PADRÕES
  • Keywords: Aprendizado baseado em redes; Aprendizado de máquina; Aprendizado não supervisionado; Aprendizado semissupervisionado; Aprendizado supervisionado; Caminhada aleatória; Complex networks; Consensus time; Controle pontual; Dimensionality reduction; Dynamical processes; Estado estacionário; Forças de interação; Interacting forces; Limiting probabilities; Machine learning; Network-based learning; Plinning control; Probabilidades limite; Processos dinâmicos; Random walk; Redes complexas; Redução de dimensionalidade; Semi-supervised learning; Stationary states; Supervised learning; Tempo de consenso; Unsupervised learning
  • Language: Inglês
  • Abstract: A extração de conhecimento útil a partir de conjuntos de dados é um conceito chave em sistemas de informação modernos. Por conseguinte, a necessidade de técnicas eficientes para extrair o conhecimento desejado vem crescendo ao longo do tempo. Aprendizado de máquina é uma área de pesquisa dedicada ao desenvolvimento de técnicas capazes de permitir que uma máquina \"aprenda\" a partir de conjuntos de dados. Muitas técnicas já foram propostas, mas ainda há questões a serem reveladas especialmente em pesquisas interdisciplinares. Nesta tese, exploramos as vantagens da representação de dados em rede para desenvolver técnicas de aprendizado de máquina baseadas em processos dinâmicos em redes. A representação em rede unifica a estrutura, a dinâmica e as funções do sistema representado e, portanto, é capaz de capturar as relações espaciais, topológicas e funcionais dos conjuntos de dados sob análise. Desenvolvemos técnicas baseadas em rede para os três paradigmas de aprendizado de máquina: supervisionado, semissupervisionado e não supervisionado. O processo dinâmico de passeio aleatório é utilizado para caracterizar o acesso de dados não rotulados às classes de dados configurando uma nova heurística no paradigma supervisionado, a qual chamamos de facilidade de acesso. Também propomos uma técnica de classificação de dados que combina a visão de alto nível dos dados, por meio da caracterização topológica de rede, com relações de baixo nível, por meio de medidas de similaridade, em umaestrutura geral. Ainda no aprendizado supervisionado, as medidas de rede modularidade e centralidade Katz são aplicadas para classificar conjuntos de múltiplas observações, e um método de construção evolutiva de rede é aplicado ao problema de redução de dimensionalidade. O paradigma semissupervisionado é abordado por meio da extensão da heurística de facilidade de acesso para os casos em que apenas algumas amostras de dados rotuladas e muitas amostras não rotuladas estão disponíveis. É também proposta uma técnica semissupervisionada baseada em forças de interação, para a qual fornecemos heurísticas para selecionar parâmetros e uma análise de estabilidade mediante uma função de Lyapunov. Finalmente, uma técnica não supervisionada baseada em rede utiliza os conceitos de controle pontual e tempo de consenso de processos dinâmicos para derivar uma medida de similaridade usada para agrupar dados. Os dados são representados por uma rede conectada e esparsa na qual os vértices são elementos dinâmicos. Simulações com dados de referência e comparações com técnicas de aprendizado de máquina conhecidas são fornecidos para todas as técnicas propostas. As vantagens da representação de dados em rede e de processos dinâmicos para o aprendizado de máquina são evidenciadas em todos os casos
  • Imprenta:
  • Data da defesa: 20.12.2013
  • Acesso à fonte
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      CUPERTINO, Thiago Henrique; LIANG, Zhao. Machine learning via dynamical processes on complex networks. 2013.Universidade de São Paulo, São Carlos, 2013. Disponível em: < http://www.teses.usp.br/teses/disponiveis/55/55134/tde-25032014-154520/ >.
    • APA

      Cupertino, T. H., & Liang, Z. (2013). Machine learning via dynamical processes on complex networks. Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-25032014-154520/
    • NLM

      Cupertino TH, Liang Z. Machine learning via dynamical processes on complex networks [Internet]. 2013 ;Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-25032014-154520/
    • Vancouver

      Cupertino TH, Liang Z. Machine learning via dynamical processes on complex networks [Internet]. 2013 ;Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-25032014-154520/

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

    Digital Library of Intellectual Production of Universidade de São Paulo     2012 - 2021