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

• Ano de defesa: 2022
• Autor(a) principal: Bergamim Júnior, Emílio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Aprendizado semi-supervisionado; Transdução; Modelo Potts; Aproximações de campo médio; Semi-supervised learning; Transduction; Potts model; Mean-field approximation
• Link de acesso: http://hdl.handle.net/11449/234808

O 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.