Collective dynamics in complex networks for machine learning (2018)
- Authors:
- Autor USP: VERRI, FILIPE ALVES NETO - ICMC
- Unidade: ICMC
- Subjects: APRENDIZADO COMPUTACIONAL; REDES COMPLEXAS; HEURÍSTICA
- Keywords: Aprendizado não supervisionado; Aprendizado semissupervisionado; Collective dynamics; Complex networks; Dinâmica coletiva; Machine learning; Semi-supervised learning; Unsupervised learning
- Agências de fomento:
- Language: Inglês
- Abstract: Aprendizado de máquina permite que computadores aprendam automaticamente dos dados. Na literatura, métodos baseados em grafos recebem crescente atenção por serem capazes de aprender através de informações locais e globais. Nestes métodos, cada item de dado é um vértice e as conexões são dadas uma regra de afinidade. Todavia, tais técnicas possuem custo de tempo impraticável para grandes grafos. O uso de heurísticas supera este problema, encontrando soluções subótimas em tempo factível. No início, alguns métodos de otimização inspiraram suas heurísticas em processos naturais coletivos, como formigas procurando por comida e enxames de abelhas. Atualmente, os avanços na área de sistemas complexos provêm ferramentas para medir e entender estes sistemas. Redes complexas, as quais são grafos com topologia não trivial, são uma das ferramentas. Elas são capazes de descrever as relações entre topologia, estrutura e dinâmica de sistemas complexos. Deste modo, novos métodos de aprendizado baseados em redes complexas e dinâmica coletiva vêm surgindo. Eles atuam em três passos. Primeiro, uma rede complexa é construída da entrada. Então, simula-se um sistema coletivo distribuído na rede para obter informações. Enfim, a informação coletada é utilizada para resolver o problema. A interação entre indivíduos no sistema permite alcançar uma dinâmica muito mais complexa do que o comportamento individual. Nesta pesquisa, estudei o uso de dinâmica coletiva em problemas de aprendizado de máquina,tanto em casos não supervisionados como semissupervisionados. Especificamente, propus um novo sistema de competição de partículas cuja competição ocorre em arestas ao invés de vértices, aumentando a informação do sistema. Ainda, o sistema proposto é o primeiro modelo de competição de partículas aplicado em aprendizado de máquina com comportamento determinístico. Resultados comprovam várias vantagens do modelo em arestas, includindo detecção de áreas sobrepostas, melhor exploração do espaço e convergência mais rápida. Além disso, apresento uma nova técnica de formação de redes que não é baseada na similaridade dos dados e possui baixa complexidade computational. Uma vez que o custo de inserção e remoção de exemplos na rede é barato, o método pode ser aplicado em aplicações de tempo real. Finalmente, conduzi um estudo analítico em um sistema de alinhamento de partículas. O estudo foi necessário para garantir o comportamento esperado na aplicação do sistema em problemas de detecção de comunidades. Em suma, os resultados da pesquisa contribuíram para várias áreas de aprendizado de máquina e sistemas complexos.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2018
- Data da defesa: 19.03.2018
-
ABNT
VERRI, Filipe Alves Neto. Collective dynamics in complex networks for machine learning. 2018. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2018. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-18102018-113054/. Acesso em: 11 jan. 2026. -
APA
Verri, F. A. N. (2018). Collective dynamics in complex networks for machine learning (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-18102018-113054/ -
NLM
Verri FAN. Collective dynamics in complex networks for machine learning [Internet]. 2018 ;[citado 2026 jan. 11 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-18102018-113054/ -
Vancouver
Verri FAN. Collective dynamics in complex networks for machine learning [Internet]. 2018 ;[citado 2026 jan. 11 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-18102018-113054/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
