Fuzzy optimum-path forest: a novel method for supervised classification

• Ano de defesa: 2022
• Autor(a) principal: Souza, Renato William Rodrigues de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Lógica Fuzzy; Informática; Teoria dos grafos
• Link de acesso: https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/127948

Nas últimas décadas, a lógica fuzzy desempenhou um papel essencial em muitas áreas de pesquisa. Paralelamente, o reconhecimento de padrões baseado em grafos tem se mostrado de grande importância devido à sua flexibilidade em particionar o espaço de recursos usando o plano de fundo da teoria dos grafos. Há alguns anos, um novo framework para aprendizado supervisionado, semi-supervisionado e não supervisionado denominado Floresta de Caminhos Ótimos (OPF) foi proposto com resultados competitivos em diversas aplicações, além de possuir uma baixa carga computacional. Nesta tese, propomos o método Floresta de Caminhos Ótimos Difuso, uma versão aprimorada do classificador OPF que aprende a associação das amostras de uma forma não supervisionada, que são posteriormente incorporados durante o treinamento supervisionado. Essas informações são utilizadas para identificar as amostras de treinamento mais relevantes, melhorando assim a etapa de classificação. Experimentos conduzidos em doze conjuntos de dados públicos destacam a robustez da abordagem proposta, que se comporta de forma semelhante ao OPF padrão nos piores cenários. Além disso, a proposta apresenta também a aplicação do novo método Floresta de Caminhos Ótimos Difuso em um conjunto de dados de pacientes de parkinson composto de recursos extraídos de imagens desenhadas à mão usando a conhecida Máquina de Boltzmann Restrita comparam o método proposto com três abordagens de linha de base, ou seja, as Máquinas de vetores de suporte, Naive Bayes e o classificador OPF padrão. Por fim, os resultados superaram como linhas de base na maioria dos casos, apresentando o Fuzzy OPF como uma alternativa viável para lidar com problemas de detecção de DP, sendo clinicamente mais relevante para o diagnóstico de DP devido à sua precisão [90,62%] ser mais significativa que as demais. Palavras-chave: Floresta de Caminhos Ótimos, Classificadores, Aprendizado de máquina, Lógica Difusa, Reconhecimento de padrões.