Classificação semi-supervisionada com o modelo Potts utilizando uma aproximação de campo médio

Página do item simplificado
dc.contributor.advisorBreve, Fabricio Aparecido [UNESP]
dc.contributor.authorBergamim Júnior, Emílio
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)
dc.date.accessioned2022-05-20T19:34:19Z
dc.date.available2022-05-20T19:34:19Z
dc.date.issued2022-02-17
dc.description.abstractO aprendizado semi-supervisionado vem estabelecendo-se como uma área de pesquisa altamente relevante devido à sua capacidade de extrair informação de conjuntos que apresentam dados rotulados e não rotulados. Em particular, abordagens a esse problema que utilizam-se de um grafo para representar tal conjunto constituem um ramo de pesquisa intensamente ativo. Por outro lado, métodos de aprendizado de máquina baseados em modelos oriundos da mecânica estatística também já ocupam um lugar bem estabelecido na literatura, com especial destaque às aproximações de campo médio. Neste trabalho almeja-se realizar um estudo sobre o modelo Potts - originalmente proposto como uma descrição do magnetismo em sólidos - e uma aproximação de campo médio simples aplicados à classificação semi-supervisionada baseada em grafos. Assim, situa-se tal modelo entre outros métodos já aplicados ao problema e então são estudadas duas formas para ajuste do parâmetro β, sendo a inexistência de um procedimento como tal o principal empecilho à aplicabilidade prática deste modelo. Tais abordagens são então avaliadas individualmente e comparadas com algoritmos do estado da arte em cenários nos quais são variadas as construções do grafo de representação e a quantidade de pontos previamente classificados em diferentes conjuntos de dados. Os resultados obtidos indicam que o modelo Potts aproxima-se da acurácia de métodos do estado da arte conforme aumenta-se a quantidade de rótulos conhecidos e o número de arestas no grafo. Além disso, uma dessas abordagens utilizando o modelo Potts apresenta desempenho computacional consistentemente superior, sendo ao menos uma ordem de magnitude mais rápida que as demais quando avaliada em conjuntos comumente utilizados para benchmarks de classificação.pt
dc.description.abstractThe field of semi-supervised learning has been establishing itself as a highly relevant research area due to its capacity of extracting information from sets that present labeled and unlabeled data. In particular, approaches to this problem that leverage on a graph to represent said sets consist of an active research area. On the other hand, machine learning methods based on models from physics hold a well-established place in the literature, with particular emphasis on mean-field methods. This work aims to study the Potts model - originally proposed as a description of certain types of magnetism in solids - and a mean-field approximation applied to the problem of graph-based semi-supervised classification. So, such model is situated alongside other methods already employed to the problem and then two approaches for tuning its β parameter are studied since the absence of a well defined approach to tune such parameter is the main limitation to its practical application. Such methods are evaluated and compared with state-of-the-art approaches in scenarios where the amount of labeled data available and the graphical representation are evaluated in different datasets. Obtained results point that the accuracy of the Potts model approaches the state-of-the-art as the amount of labeled data and the number of edges on the graph increase. In addition, one of the approaches with the Potts model presented a consistently superior computational performance in comparison to other methods, being at least one order of magnitude faster in sets commonly used for classification benchmarks.en
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.description.sponsorshipIdCAPES: 001.
dc.identifier.capes33004153073P2
dc.identifier.urihttp://hdl.handle.net/11449/234808
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
dc.subjectAprendizado semi-supervisionadopt
dc.subjectSemi-supervised learningen
dc.subjectTransduçãopt
dc.subjectTransductionen
dc.subjectModelo Pottspt
dc.subjectPotts modelen
dc.subjectAproximações de campo médiopt
dc.subjectMean-field approximationen
dc.titleClassificação semi-supervisionada com o modelo Potts utilizando uma aproximação de campo médiopt
dc.title.alternativeSemi-supervised classification with the Potts model using a mean-field approximationen
dc.typeDissertação de mestrado
unesp.campusUniversidade Estadual Paulista (Unesp), Instituto de Geociências e Ciências Exatas, Rio Claropt
unesp.embargoOnlinept
unesp.examinationboard.typeBanca públicapt
unesp.graduateProgramCiência da Computação - IGCEpt
unesp.knowledgeAreaComputação científicapt
unesp.researchAreaInteligência computacionalpt

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
bergamim-junior_e_me_rcla.pdf
Tamanho:
1.12 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
2.99 KB
Formato:
Item-specific license agreed upon to submission
Descrição:

Coleções

Instituto de Geociências e Ciências Exatas, Rio Claro