Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/6430
Title: Um comparativo entre métodos de construção de grafos para classificação semissupervisionada.
Authors: Lobão, Robson Novato
metadata.dc.contributor.advisor: Gertrudes, Jadson Castro
metadata.dc.contributor.referee: Caldeira, Lais Soares
Ziviani, Hugo Eduardo
Gertrudes, Jadson Castro
Keywords: Aprendizado semissupervisionado
Aprendizado não supervisionado
Classificação semissupervisionada
Grafos
Propagação de rótulos
Issue Date: 2024
Citation: LOBÃO, Robson Novato. Um comparativo entre métodos de construção de grafos para classificação semissupervisionada. 2024. 39 f. Monografia (Graduação em Ciência da Computação) - Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.
Abstract: O aprendizado semissupervisionado se posiciona no ponto intermediário entre o aprendizado supervisionado e não supervisionado. Ele busca encontrar informações de pontos em um conjunto de dados com base em outras instâncias que já foram previamente classificadas. Ele é relevante em situações em que podemos facilmente coletar informações que geram um determinado conjunto de dados, entretanto, classificá-las manualmente é desvantajoso. Há 4 formas descritas na literatura para aprendizado semissupervisionado, são elas a de Modelo Generativo (Generative Models), Separação De Baixa Densidade (Low-Density Separation), Mudança de Representação (Change of Representation) e Métodos Baseados em Grafos (Graph-Based Methods). O presente trabalho apresenta uma comparação entre métodos de construção de grafos para a propagação de rótulos no processo de aprendizado semissupervisionado. Especificamente, foi avaliado o desempenho do algoritmo semissupervisionado de campo aleatório Gaussiano (Gaussian Random Field) ao ser apresentado com um grafo que representa uma árvore geradora mínima, produzida pelo framework HDBSCAN*, em comparação com métodos tradicionais de construção de grafos. Resultados superiores foram observados em dois conjuntos de dados, quando comparados a experimentos realizados anteriormente.
metadata.dc.description.abstracten: Semi-supervised learning sits at the midpoint between supervised and unsupervised learning. It seeks to find information about points in a dataset based on other instances that have already been previously classified. It is relevant in situations where we can easily collect information that generates a certain set of data, however, classifying it manually is disadvantageous. There are 4 forms described in the literature for semi-supervised learning, they are Generative Models, Low-Density Separation, Change of Representation and Graph-Based Methods. The present work presents a comparison between graph construction methods for label propagation in the semi-supervised learning process. Specifically, the performance of the semi-supervised Gaussian Random Field algorithm was evaluated when presented with a graph that represents a minimum spanning tree, produced by framework HDBSCAN*, in comparison with traditional graph construction methods . Superior results were observed in two data sets when compared to previously performed experiments.
URI: http://www.monografias.ufop.br/handle/35400000/6430
Appears in Collections:Ciência da Computação

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_ComparativoMétodosConstrução.pdf887,82 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.