On bipartite decision forests (2024)
- Authors:
- Autor USP: SILVA, PEDRO DE CARVALHO BRAGA ILIDIO - IFSC
- Unidade: IFSC
- Sigla do Departamento: FCI
- DOI: 10.11606/D.76.2024.tde-01072024-082057
- Subjects: ALGORITMOS; APRENDIZADO COMPUTACIONAL
- Keywords: Aprendizado bipartido; Aprendizado positivo-não rotulado; Bipartite learning; Decision forests; Florestas de decisão; Interaction prediction; Positive-unlabeled learning; Predição de interações
- Agências de fomento:
- Language: Inglês
- Abstract: O presente estudo investiga algoritmos de floresta de decisão para prever interações em redes bipartidas. Concentra-se em exemplos de tais problemas no domínio biológico, como interações fármaco-proteína, interações microRNA-gene ou interações entre moléculas de RNA longo não codificante e proteínas. No entanto, os métodos propostos abrangem uma ampla gama de tarefas de aprendizado, caracterizadas por i) o objetivo é prever interações entre duas entidades; ii) os pares de interação são compostos por dois tipos diferentes de entidades; e iii) cada tipo de entidade possui seu próprio conjunto de características de entrada. Refere-se a este paradigma como aprendizado de interações bipartidas, ou aprendizado bipartido. Prever interações em tais redes nos apresenta desafios fundamentais. Por exemplo, o número de interações possíveis é frequentemente muito superior ao número de interações conhecidas. Como resultado, os dados são muitas vezes esparsos, e as anotações negativas são incertas. Exploramos uma classe de florestas de decisão especificamente projetadas para enfrentar esses desafios, que chamamos de florestas bipartidas em geral. Primeiro, demonstramos como essas árvores podem ser adaptadas para obter uma melhora logarítmica no tempo de treinamento. Também propomos o uso de abordagens de vizinhos ponderados para determinar a saída de cada folha, resultando em melhora na capacidade de generalização dos modelos. Finalmente, introduzimos funções de impurezasemi-supervisionadas para florestas bipartidas. Essas funções resultam em árvores cientes da densidade do espaço de características, em vez de apenas considerar os rótulos para o crescimento. Mostra-se que isso melhora a resiliência das florestas às anotações faltantes. Nossos modelos exibem desempenho altamente competitivo em dez conjuntos de dados de previsão de interação. Acreditamos que os métodos propostos podem ser um passo crucial no desenvolvimento de modelos de aprendizado de máquina eficazes e escaláveis para prever interações. Adaptações adicionais desses modelos também podem impactar domínios vizinhos, como sistemas de recomendação, aprendizado multi-rótulo e aprendizado de rótulos fracos
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 25.04.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
SILVA, Pedro de Carvalho Braga Ilidio. On bipartite decision forests. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/76/76133/tde-01072024-082057/. Acesso em: 01 jan. 2026. -
APA
Silva, P. de C. B. I. (2024). On bipartite decision forests (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/76/76133/tde-01072024-082057/ -
NLM
Silva P de CBI. On bipartite decision forests [Internet]. 2024 ;[citado 2026 jan. 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/76/76133/tde-01072024-082057/ -
Vancouver
Silva P de CBI. On bipartite decision forests [Internet]. 2024 ;[citado 2026 jan. 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/76/76133/tde-01072024-082057/ - Fast bipartite forests for semi-supervised interaction prediction
- Predição de interações fármaco-alvo com Biclustering Random Forests
- Deep forests with tree-embeddings and label imputation for weak-label learning
- Florestas bipartidas semi-supervisionadas para predição de interações
- Predição de interações miRNA-mRNA com Predictive Bi- clustering trees
Informações sobre o DOI: 10.11606/D.76.2024.tde-01072024-082057 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
