Um comparativo entre métodos de construção de grafos para classificação semissupervisionada.

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.