Métodos de agrupamento baseados em informações de ranqueamento

• Ano de defesa: 2021
• Autor(a) principal: Lopes, Leonardo Tadeu [UNESP]
• Orientador(a): Pedronette, Daniel Carlos Guimarães [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Métodos de agrupamento; Aprendizado de máquina; Aprendizado não-supervisionado; Aprendizado auto-supervisionado
• Palavras-chave em Inglês: Manifold learning; Clustering
• Link de acesso: http://hdl.handle.net/11449/214815

As contantes evoluções tecnológicas realizadas nas últimas décadas, nos mais diversos domínios do conhecimento, possibilitaram a produção de volume massivo de dados e grande parcela deste volume é armazenada de maneira digital. Neste cenário, há uma grande demanda por métodos de aprendizado de máquina que consigam realizar análise de dados de forma automática para diferentes tarefas. Porém, a criação de rótulos de treinamento exige grande esforço humano, sendo escassos, inexatos ou até mesmo indisponíveis em diversas áreas de aplicação. Visando sobrepor esta dificuldade, métodos de aprendizado semi-supervisionado, auto-supervisionado e não-supervisionado utilizam as informações disponíveis de maneiras únicas, visando aprender a partir de poucos ou nenhum rótulo. As técnicas de agrupamento são importantes métodos não-supervisionados que buscam separar um conjunto de dados em agrupamentos disjuntos, a partir da análise da similaridade ou distância entre seus elementos. Esta categoria de algoritmos é amplamente aplicada em diversas áreas do reconhecimento de padrões e novos métodos são propostos constantemente, demonstrando a demanda para novas abordagens. De maneira análoga, as técnicas de manifold learning são métodos não-supervisionados que exploram a estrutura dos dados visando obter melhores relações de similaridade entre os elementos. Apesar de possuírem objetivos similares, métodos de agrupamento que exploram técnicas de manifold learning não são comuns na literatura. Neste trabalho, duas técnicas de manifold learning foram aplicadas para criação de métodos de agrupamento com a utilização de grafos, componentes conexas, hipergrafos e redes neurais baseados em grafos. As metodologias propostas foram avaliadas em uma variedade de conjuntos de dados e comparadas com métodos clássicos e recentes da literatura. Além disso, análises visuais foram exploradas para ilustrar os efeitos das abordagens de manifold learning utilizadas. Os resultados obtidos são promissores, sendo comparáveis ou superiores em todos os cenários avaliados.